根据 pandas文档 ，指定 low_memory=False ，只要 engine='c' （这是默认的）就是对这个问题的合理解决。

如果 low_memory=False ，那么将首先读入整列，然后确定适当的类型。例如，该列将根据需要保留为对象（字符串），以保存信息。

如果 low_memory=True （默认），那么pandas就会以行为单位分块读入数据，然后将它们附加在一起。那么有些列可能看起来像整数和字符串的混合块，这取决于在这块数据中pandas是否遇到了不能被转换为整数的东西（比如）。这可能会导致以后的问题。警告告诉你，这种情况在读入过程中至少发生过一次，所以你应该小心。设置 low_memory=False 会使用更多的内存，但会避免这个问题。

我个人认为 low_memory=True 是一个不好的默认值，但我工作的领域使用的小数据集比大数据集多得多，所以方便比效率更重要。

下面的代码说明了一个例子： low_memory=True 被设置，并且有一列是混合类型。它建立在@firelynx的回答之上

import pandas as pd
    from StringIO import StringIO
except ImportError:
    from io import StringIO
# make a big csv data file, following earlier approach by @firelynx
csvdata = """1,Alice
2,Bob
3,Caesar
# we have to replicate the "integer column" user_id many many times to get
# pd.read_csv to actually chunk read. otherwise it just reads 
# the whole thing in one chunk, because it's faster, and we don't get any 
# "mixed dtype" issue. the 100000 below was chosen by experimentation.
csvdatafull = ""
for i in range(100000):
    csvdatafull = csvdatafull + csvdata
csvdatafull =  csvdatafull + "foobar,Cthlulu\n"
csvdatafull = "user_id,username\n" + csvdatafull
sio = StringIO(csvdatafull)
# the following line gives me the warning:
    # C:\Users\rdisa\anaconda3\lib\site-packages\IPython\core\interactiveshell.py:3072: DtypeWarning: Columns (0) have mixed types.Specify dtype option on import or set low_memory=False.
    # interactivity=interactivity, compiler=compiler, result=result)
# but it does not always give me the warning, so i guess the internal workings of read_csv depend on background factors
x = pd.read_csv(sio, low_memory=True) #, dtype={"user_id": int, "username": "string"})
x.dtypes
# this gives:
# Out[69]: 
# user_id     object
# username    object
# dtype: object
type(x['user_id'].iloc[0]) # int
type(x['user_id'].iloc[1]) # int
type(x['user_id'].iloc[2]) # int
type(x['user_id'].iloc[10000]) # int
type(x['user_id'].iloc[299999]) # str !!!! (even though it's a number! so this chunk must have been read in as strings)
type(x['user_id'].iloc[300000]) # str !!!!!
旁白。举个例子，这是一个问题（也是我第一次遇到这个严重问题的地方），假设你在一个文件上运行pd.read_csv()，然后想根据一个标识符来删除重复的文件。假设这个标识符有时是数字，有时是字符串。一行可能是 "81287"，另一行可能是 "97324-32"。但是，它们仍然是唯一的标识符。
有了low_memory=True，pandas可能会像这样在标识符列中读取。
81287
81287
81287
81287
81287
"81287"
"81287"
"81287"
"81287"
"97324-32"
"97324-32"
"97324-32"
"97324-32"
"97324-32"
只是因为它把事情分块，所以，有时标识符81287是一个数字，有时是一个字符串。当我试图根据这个放弃重复的东西时，好吧。
81287 == "81287"
Out[98]: False