DataFrame类型
读取数据时，没有头标签的要加上header, header=None 否则数据显示有问题
数据被会names(列标签)占用，可以先读取，获取 行和列，如果没有头标签，再设置names标签
其他参数： 文件读取部分数据
skiprows=2 跳过前2行
skiprows=[2] 跳过下标为2的那一行 下标从0开始
nrows=2 读取n行
chunksize=2 每次读取的行数 返回可可遍历列表对象

data = pd.read_csv('./data/a.csv', delimiter=",", skiprows=0, names=['a', 'b', 'c', 'd', 'e', 'f', 'g'])
print(type(data))
print(data)

01 指定数据缺省参数

# data = data.fillna(0) # 全0填充
# 指定元素填充 用字典表示 "g":88 g列的全用88填充
# data = data.fillna({"g":88})

02、将 ？替换为nan

# 单个替换
#data = data.replace(" ?", np.nan)

#向前填充 列填充 用缺省参数上面的数字填充
# data = data.replace(['AAPL',' ?'],method='ffill')

#向后填充 列填充 用缺省参数下面的数字填充
# data = data.replace(['AAPL',' ?'],method='bfill')

# 多个替换
# data = data.replace(["AAPL", ' ?'], value=np.nan)

# 多个内容换为多个值
# data = data.replace({"' ?'":88, "AAPL":88, " ?":88})

#正则替换
#value参数显示传递
data = data.replace(regex=[r'\?|\.|AAPL'],value=np.nan)#用np.nan替换？或.或$原字符
print(data)

其他作用
# df.replace(r'\?|\.|\$',np.nan,regex=True)#用np.nan替换？或.或$原字符
# df.replace([r'\?',r'\$'],np.nan,regex=True)#用np.nan替换？和$
# df.replace([r'\?',r'\$'],[np.nan,'NA'],regex=True)#用np.nan替换？用 NA替换$符号
# df.replace(regex={r'\?':None})

总结：
1、通过 np.genfromtxt(file, delimiter=",", skip_header=0) 在读取数据时，直接将不符合类型的数据转为NaN
2、# 将内容转为DataFrame 类型 再进行其他缺省值处理
3、平均值替换
4、删除缺省参数
5、指定内容填充