3. 数据读取与初步探索：读取CSV/Excel文件、查看数据基本信息

好了，咱们正式开始动手了。

上一章聊了聊景气度数据长什么样，这一章咱们就直接把数据请进 Python 里来。我个人习惯，拿到任何数据文件，第一件事不是跑模型，而是先把它读进来，然后好好“打量”一番——看看它长什么样、有没有缺胳膊少腿、数据类型对不对。

说白了，这一步就像你拿到一份新简历，先扫一眼基本信息，心里有个底。

3.1 读取CSV文件：最常用的姿势

CSV 文件在量化投资领域太常见了。交易所的日频数据、行业分类数据、宏观指标，十有八九都是 CSV 格式。我一般用 pandas 的 read_csv 函数，简单直接。

import pandas as pd

# 读取CSV文件
df = pd.read_csv('景气度数据.csv')
print('数据读取成功！')

嗯，就这么一行。但这里有个坑——编码问题。我在项目中遇到过好几次，从万得导出的 CSV 文件，默认编码是 gbk 或 gb2312，直接用 read_csv 读会报错。解决办法很简单：

df = pd.read_csv('景气度数据.csv', encoding='gbk')
# 如果还不行，试试 encoding='gb2312' 或 encoding='utf-8'

3.2 读取Excel文件：多Sheet也不怕

Excel 文件在业务部门用得更多。很多券商的研究报告、行业数据库，都喜欢用 Excel 格式。读取 Excel 用 pd.read_excel()：

# 读取Excel文件
df = pd.read_excel('景气度数据.xlsx', sheet_name='Sheet1')

如果你要读取多个 Sheet，可以传一个列表：

# 读取多个Sheet
dfs = pd.read_excel('景气度数据.xlsx', sheet_name=['Sheet1', 'Sheet2'])
# 返回的是一个字典，key是Sheet名，value是DataFrame

我曾经有一次处理一个季度数据，Excel 文件里有 12 个 Sheet，每个 Sheet 代表一个月的行业景气度。用 sheet_name=None 一次性全读进来，然后循环处理，效率很高。

3.3 查看数据基本信息：head、info、describe

数据读进来了，接下来就是“打量”它。我一般按这个顺序来：

3.3.1 用 head() 看前几行

# 查看前5行
df.head()

这能让你快速了解数据长什么样——有哪些列、数据大概是什么格式。我习惯先看 head(10)，多几行更容易发现异常。

3.3.2 用 info() 看数据类型和缺失值

# 查看数据基本信息
df.info()

这个函数会告诉你：

• 总共有多少行、多少列
• 每列的数据类型（int64、float64、object 等）
• 每列有多少个非空值
• 内存占用情况

举个例子，输出可能是这样的：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1200 entries, 0 to 1199
Data columns (total 8 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   日期         1200 non-null   object 
 1   行业         1200 non-null   object 
 2   景气度指数    1150 non-null   float64
 3   营收增速      1100 non-null   float64
 4   利润增速      1080 non-null   float64
 5   库存周转      1200 non-null   float64
 6   产能利用率    1050 non-null   float64
 7   毛利率        1120 non-null   float64
dtypes: float64(6), object(2)
memory usage: 75.1 KB

看到没？日期列是 object 类型，这其实不对。日期应该转成 datetime 类型，否则后面做时间序列分析会出问题。这个我们下一章会处理。

另外，景气度指数只有 1150 个非空值，总共有 1200 行，说明有 50 个缺失值。嗯，这里要注意，缺失值怎么处理，后面会专门讲。

3.3.3 用 describe() 看统计摘要

# 查看数值型列的统计摘要
df.describe()

输出类似这样：

	景气度指数	营收增速	利润增速	库存周转	产能利用率	毛利率
count	1150.0	1100.0	1080.0	1200.0	1050.0	1120.0
mean	52.3	8.5	6.2	45.1	78.3	22.5
std	15.2	12.3	18.7	8.9	10.5	5.6
min	10.0	-30.5	-45.2	20.0	45.0	8.0
25%	40.0	2.0	-5.0	38.0	70.0	18.0
50%	52.0	8.0	5.0	45.0	80.0	22.0
75%	65.0	15.0	18.0	52.0	88.0	27.0
max	90.0	55.0	60.0	70.0	98.0	40.0

这个表能告诉你很多信息：

• 均值和中位数：如果两者差距很大，说明数据可能有偏态分布
• 最小值/最大值：看看有没有离谱的异常值。比如营收增速最小是 -30.5%，最大是 55%，这还算正常。但如果出现 -9999 这种，那肯定是脏数据
• count 列：再次确认缺失值情况

3.4 数据类型概览：别让类型坑了你

数据类型是数据清洗的第一步。我见过太多人栽在这个坑里——明明应该是数值的列，读进来却是字符串；明明应该是日期的列，读进来却是 object。

用 dtypes 属性可以快速查看每列的类型：

# 查看所有列的数据类型
print(df.dtypes)

输出：

日期         object
行业         object
景气度指数    float64
营收增速      float64
利润增速      float64
库存周转      float64
产能利用率    float64
毛利率        float64
dtype: object

常见的类型问题：

• 数值列是 object 类型：可能是因为数据里混入了逗号（比如 "1,234"）或百分号（比如 "22.5%"）
• 日期列是 object 类型：需要转成 datetime，否则没法做时间序列分析
• 整数列是 float64 类型：可能是因为有缺失值，pandas 会自动转成 float

怎么处理？举个例子：

# 把日期列转成 datetime 类型
df['日期'] = pd.to_datetime(df['日期'])

# 如果数值列里有百分号，先去掉再转
df['毛利率'] = df['毛利率'].str.replace('%', '').astype(float) / 100

3.5 本章知识体系

下面这张图总结了本章的核心逻辑，你可以把它当作一个检查清单：

这张图把本章的三个核心步骤串起来了：读取数据 → 查看基本信息 → 检查数据类型。每一步都可能遇到坑，但只要你按这个流程走一遍，基本不会漏掉关键信息。

好了，数据已经读进来了，基本信息也看过了。下一章咱们聊聊怎么处理那些烦人的缺失值和异常值——这可是数据清洗的重头戏。

---