Python教程：根据行与列索引高效读取CSV文件数据

import csv
import io

# 模拟一个CSV文件内容，实际应用中替换为 open('your_file.csv', 'r')
csv_data = """colA,colB,colC
1.1,2.2,3.3
4.4,5.5,6.6
7.7,8.8,9.9"""

# 使用io.StringIO来模拟文件读取，便于示例
# 在实际应用中，请使用：
# with open('your_file.csv', 'r', newline='', encoding='utf-8') as file:
#     csv_reader = csv.reader(file)
#     ...
csv_file_stream = io.StringIO(csv_data)

# 假设要访问第二行（索引1），第三列（索引2）的数据
target_row_idx = 1
target_col_idx = 2

# 存储所有数据以备后续多次访问（可选，如果只需单次访问可直接处理）
data_matrix = []
found_value = None

with csv_file_stream as file:
    csv_reader = csv.reader(file)
    # 通常第一行是标题，如果需要跳过，可以先调用 next(csv_reader)
    # header = next(csv_reader)

    for row_idx, row in enumerate(csv_reader):
        # 假设所有数据都是浮点数，需要进行类型转换
        processed_row = [float(val) for val in row]
        data_matrix.append(processed_row) # 将处理后的行添加到矩阵中

        # 如果当前行是目标行，且目标列索引有效
        if row_idx == target_row_idx:
            if target_col_idx < len(processed_row):
                found_value = processed_row[target_col_idx]
                print(f"使用csv模块访问：行 {target_row_idx}, 列 {target_col_idx} 的值为: {found_value}")
            else:
                print(f"列索引 {target_col_idx} 超出当前行范围。")

# 如果数据已经加载到 data_matrix 中，可以直接通过索引访问
if data_matrix:
    if target_row_idx < len(data_matrix):
        if target_col_idx < len(data_matrix[target_row_idx]):
            value_from_matrix = data_matrix[target_row_idx][target_col_idx]
            print(f"从加载的矩阵访问：行 {target_row_idx}, 列 {target_col_idx} 的值为: {value_from_matrix}")
        else:
            print(f"从加载的矩阵访问：列索引 {target_col_idx} 超出范围。")
    else:
        print(f"从加载的矩阵访问：行索引 {target_row_idx} 超出范围。")

# 遍历所有值并进行处理的示例（如原始问题中的循环）
print("\n--- 遍历所有值示例 (csv模块) ---")
if data_matrix:
    for r_idx, row_data in enumerate(data_matrix):
        for c_idx, cell_value in enumerate(row_data):
            # 在这里可以进行数据比较、排序或任何其他逻辑
            # 例如：打印所有值
            print(f"[{r_idx},{c_idx}]: {cell_value}")

import pandas as pd
import io

# 模拟一个CSV文件内容
csv_data = """colA,colB,colC
1.1,2.2,3.3
4.4,5.5,6.6
7.7,8.8,9.9"""

# 使用io.StringIO来模拟文件读取，实际应用中替换为 'your_file.csv'
df = pd.read_csv(io.StringIO(csv_data))

# 假设要访问第二行（索引1），第三列（索引2）的数据
target_row_idx = 1
target_col_idx = 2

# 使用iloc访问特定值
# 注意：pandas的iloc是0-based索引
if target_row_idx < df.shape[0] and target_col_idx < df.shape[1]:
    value = df.iloc[target_row_idx, target_col_idx]
    print(f"使用pandas访问：行 {target_row_idx}, 列 {target_col_idx} 的值为: {value}")
else:
    print(f"pandas访问：索引 ({target_row_idx}, {target_col_idx}) 超出DataFrame范围。")

# 遍历所有值示例（不推荐用于大规模数据，pandas有更优的向量化操作）
print("\n--- 遍历所有值示例 (pandas) ---")
for r_idx in range(df.shape[0]): # df.shape[0] 是行数
    for c_idx in range(df.shape[1]): # df.shape[1] 是列数
        cell_value = df.iloc[r_idx, c_idx]
        # 在这里可以进行数据比较、排序或任何其他逻辑
        print(f"[{r_idx},{c_idx}]: {cell_value}")

# 更Pandas风格的高效操作示例（避免显式循环）
print("\n--- Pandas更高效的操作示例 ---")
# 对所有数值进行某种操作，例如所有值加1
df_plus_one = df.iloc[:, :] + 1
print("所有值加1后的DataFrame:")
print(df_plus_one)

# 筛选满足条件的数据
# 例如，筛选所有大于5的值
greater_than_5 = df[df > 5]
print("\n大于5的值 (不满足条件的显示为NaN):")
print(greater_than_5)

# 排序（例如按某一列排序）
# df_sorted = df.sort_values(by='colB')
# print("\n按colB排序后的DataFrame:")
# print(df_sorted)