使用

（一）pandas

import pandas as pd

# xlsx和xls
data = pd.read_excel(r'file_path')

# csv
data = pd.read_csv(r'file_path')

（二）read函数

# 使用'open'函数打开文件  
file = open('filename.txt', 'r')  # 'r'表示读取模式 

# 使用'read'函数读取文件内容  
content = file.read()  

避免将文件路径中的/识别为转义字符

（一）使用原始字符串（Raw Strings）

# 使用r前缀是为了确保文件路径中的每个反斜杠\都被当作普通字符，而不是转义字符的开始
# 在Python字符串前加上r或R前缀表示该字符串是一个“原始字符串”（raw string）
file_path = r'C:\path\to\your\file.txt'  

# 直接将file_path作为参数传入相应的读取函数

（二）使用双反斜杠

# 原先：'C:\path\to\your\file.tx
file_path = 'C:\\path\\to\\your\\file.txt' 

# 直接将file_path作为参数传入文件读取函数 

区别

（一）数据结构化

• pandas：当使用pandas的read_excel、read_csv等函数读取文件时，你得到的是一个结构化的DataFrame对象。DataFrame是一个二维的、大小可变的、具有潜在异构类型列的表格数据结构。它非常适合于存储和处理表格数据，并提供了丰富的API来进行数据清洗、转换、分析和可视化。
• 标准读取函数：使用Python的open()、read()函数读取文件时，你得到的是一个原始的字符串，其中包含了文件的全部内容。你需要自己处理这个字符串来解析数据，并将其结构化为你想要的形式（例如，转换为列表、字典或自定义的对象）。

（二）性能与内存管理

• pandas：针对性能进行了优化，尤其是在处理大型数据集时。它内部使用了高效的数据存储和算法，可以更快地加载和处理数据。然而，对于非常大的数据集，pandas可能会消耗大量内存。
• 标准读取函数：标准读取函数在处理小型文件时通常足够快，但对于大型文件或需要复杂解析的文件，性能可能会成为问题。此外，由于你需要自己管理数据结构，因此在内存使用方面也可能不如pandas高效。

（三）易用性和功能

• pandas：pandas提供了大量高级功能，如数据筛选、分组、排序、合并、连接、统计等，这些功能都很容易通过简洁的API调用实现。此外，pandas还集成了与许多其他库（如NumPy、Matplotlib、SciPy等）的互操作性。
• 标准读取函数：使用标准读取函数时，你需要自己实现所有这些功能，这通常意味着编写更多的代码和进行更多的调试。然而，这也给了你更大的灵活性来控制数据的处理方式。

（四）文件格式支持

• pandas：pandas支持多种文件格式，包括CSV、Excel、SQL、HDF5、JSON等。这使得pandas成为处理多种不同来源数据的理想选择。
• 标准读取函数：标准读取函数主要支持文本文件（如CSV），但对于更复杂的文件格式（如Excel或JSON），你可能需要使用额外的库或编写更多的自定义代码来解析数据。