Python 列（0,1,3）具有混合类型。请在导入时指定dtype选项或将low_memory设置为False。导入csv文件时

我正在使用pandas将csv文件导入python数据帧。PFA我的代码如下：

import pandas as pd
df=pd.read_csv('C:/Users/Administrator/Desktop/NSE_Normalize.csv')

当我使用上述代码导入时，不会出现错误，但会出现如下所示的警告：

Columns (0,1,3) have mixed types.Specify dtype option on import or set low_memory=False.

通过参考答案，我了解了为什么会发生这种情况，并且我的文件具有不明确的数据类型

我可以通过以下方法解决此问题：

df = pd.read_csv("C:/Users/Administrator/Desktop/NSE_Normalize.csv",sep=',', error_bad_lines=False, index_col=False, dtype='unicode') as mentioned on [Specify dtype option on import or set low_memory=False][2]

但是当我导入与excel工作簿（.xlsx文件）相同的文件时。此错误不会发生。与csv对应项相比，Sure需要更长的时间才能导入，但未显示错误

因此，从上面的讨论中，我可以知道为什么在python中加载.xlsx文件的时间比加载.csv文件的时间要长吗？何时使用.csv导入和.xlsx导入

以下是我导入的文件：

excel文件“.xlsx”文件具有各种格式/xml代码，

pandas

必须“切碎”这些代码才能获取数据（请考虑excel中可用于转换和可视化数据的所有功能，这些功能无法保存为.csv，保存后会自动删除所有功能）。另一方面，.csv文件是非常原始的（像.txt文件），因此熊猫不必为了获取数据而切碎所有这些额外的疯狂内容

由此：查看“xml”文件的代码是什么样子的（这是“.xlsx”格式的基础）

看看pandas为了获取数据“A1”、“B1”等必须经过哪些步骤。因此，如果

.csv

文件满足您的所有要求，您应该始终努力从该文件中提取数据。应尝试在

pandas

中处理任何数据类型格式化计算等。我在这里特别讲的是读取数据。

---

至于你为什么会有问题，从你的截图上是无法分辨的。在阅读时，除了尝试指定

数据类型

、

内存不足

、或

解析日期

之外，还有一些事情可以帮助您：

df['numcol'] = pd.to_numeric(df['numcol'], errors='coerce')
df['datecol'] = pd.to_datetime(df['datecol'], errors='coerce')
df['datecol'] = pd.to_datetime(df['datecol'], dayfirst=True, errors='coerce') #UK / European dates

---

您能建议如何在导入之外指定数据类型吗？您可以在许多不需要导入CSV文件的地方运行python脚本，如果知道如何指定dtype@user18139在读取csv中的“col”后，可以使用df[“col”]=df[“col”].astype（str）或df[“col”]=df[“col”].astype（float）是列的名称。作为一种检查，您可以使用df.info（）确认更改后的数据类型。