1.read_csv

通过read_csv方法读取csv格式的数据文件

read_csv(filepath_or_buffer, sep='', delimiter=None, header='infer', names=None, index_col=None, usecols=None, **kwds)
filepath_or_buffer：字符串型，读取的文件对象，必填。
sep：字符串型，分隔符，选填，默认","。
delimiter：字符串型。定界符（备选分隔符），指定该参数，sep失效。
delim_whitespace：布尔型，是否指定空格或制表符作为分隔符，等效于sep=“\s+”，指定该参数，delimiter失效。
详解\s+：\s匹配任何空白符，等价于[\f\n\r\t\v]
\f：匹配换页符
\n：匹配换行符
\r：匹配回车符
\t：匹配制表符
\v：匹配垂直制表符
2.read_fwf
通过read_fwf方法读取表格或固定宽度的文本行到数据框。
read_fwf(filepath_or_buffer, colspecs='infer', widths=None, **kwds)
跟read_csv中的大多相同。下面仅介绍read_fwf特有的参数。
widths：由整数组成的列表，选填，如果间隔是连续的，使用字段宽度列表而不是”colspecs“。
示例：数据内容如下。

import pandas as pd
fwf_data = pd.read_fwf('fwf_data', widths=[5, 5, 5, 5], names=['col1', 'col2', 'col3', 'col4'])
print(fwf_data)
3.read_table
通过read_table方法读取通用分隔符分割的数据文件到数据框。
read_table(filepath_or_buffer, sep='\t', delimiter=None, header='infer', names=None, index_col=None, usecols=None, **kwds)
与read_csv完全相同。其实read_csv是read_table中分隔符为逗号的一个特例。
示例数据内容如下：

import pandas as pd
table_data = pd.read_table('table_data.txt', sep=';', names=['col1', 'col2', 'col3', 'col4', 'col5'])
print(table_data)
数据分割常分为两种：一种基于固定宽度，一种基于分割符号。即read_fwf和read_talbe。

4.Pandas其他数据读取方法
下面是不同场景较为合适的数据读取方法：
纯文本格式或非格式化、非结构化的数据，常用语自然语言处理、非结构文本解析、应用正则表达式等后续应用场景下，Python默认的三种方法更为合适。
结构化、纯数值型的数据，并且主要用于矩阵计算、数据建模的，使用Numpy的loadtxt更方便。
对于二进制的数据处理，使用Numpy的load和fromfile方法更为合适。
对于结构化的、探索性数据统计和分析场景，使用pandas方法进行读取，因为其提供了数据框，对数据进行任意翻转、切片、关联都很方便。