题解 | #文件最后用户的部分数据#

import pandas as pd
df = pd.read_csv('Nowcoder.csv')
col = [0,1,2,5]
print(df.iloc[-5:-1,col])

关于dytype

pd.read_csv('Nowcoder.csv')会尝试自动推断每列的数据类型，而pd.read_csv('Nowcoder.csv', dtype=object)会将所有列的数据类型设置为object。

如果不指定数据类型（即第一个例子），pandas会尝试推断每个列的数据类型，这可能会导致一些列被错误地解释为不同的类型，从而可能导致错误。指定dtype=object可以确保所有列都被解释为Python对象（即字符串），这对于某些情况可能是有用的。

另一方面，指定正确的数据类型可以提高性能和减少内存使用，因为pandas可以更好地利用数据类型的信息进行优化。 因此，如果您已经知道每列的正确数据类型，则最好指定它们。

在 pandas 中，数据类型object表示一个通用的 Python 对象，可以存储任何 Python 对象类型，包括字符串、整数、浮点数、列表、字典、自定义类等。将数据类型设置为object表示将每个数据点解释为 Python 对象，而不是尝试自动推断数据类型。这种设置在某些情况下可能很有用，比如：

• 数据集中的某些列包含混合类型的数据（如字符串和数字），而不是单一的数据类型。
• 某些列的数据类型无法被 pandas 正确地推断。
• 想要在使用数据时动态地处理数据类型的情况。

但是，由于 object 类型是一个通用的 Python 对象，其存储和处理速度通常比其他数据类型要慢，并且占用更多的内存空间，因此只有在确实需要时才应将数据类型设置为 object。