pandas.read_csv中应优先用converters={'col': lambda x: x.strip() if isinstance(x, str) else x}在读取阶段去空格，避免后续str.strip()的类型错误和性能损耗，同时注意quoting参数匹配原始CSV格式。
用 pandas.read_csv 的 skipinitialspace 和 dtype 配合处理空格
csv 文件里字段前后带空格（比如 " name "）是常见问题，但 read_csv 默认不自动 strip。靠后续 .str.strip() 会多一次遍历，且对非字符串列报错。
更直接的做法是：在读取阶段就控制解析行为。
-
skipinitialspace=True只跳过分隔符后的空格（如value, " name "中逗号后的空格），对字段开头/结尾的空格无效 - 真正起作用的是
dtype配合converters：对目标列指定函数，例如converters={'name': str.strip} - 注意
str.strip对NaN会报错，必须写成lambda x: x.strip() if isinstance(x, str) else x - 如果整表都是字符串列，可统一用
dtype=str+converters，但会损失数值类型推断
为什么不用 df.applymap 或全局 .str.strip()
这两招看起来省事，实际隐患大：
-
df.applymap在 pandas 2.1+ 已弃用，且对混合类型列（含数字、NaN）直接崩，错误信息是AttributeError: 'float' object has no attribute 'strip' -
df.select_dtypes('object').apply(lambda s: s.str.strip())看似安全，但会把原本是int却含空格的列（如" 42 "）变成字符串，后续计算出错 - 性能上，先读全再遍历列，比在 IO 阶段用
converters多一次内存拷贝，尤其 >100MB 文件时明显卡顿
处理带引号字段里的空格：quoting 参数不能漏
当 CSV 字段被双引号包裹（如 " John "," Doe ",123），默认 quoting=0（csv.QUOTE_MINIMAL）会保留引号内空格。这时候 str.strip() 依然有效，但前提是引号没被当成内容的一部分。
QuickBooks Mileage CSV
下载
使用 qbo-mileage CLI 及用户凭证，从 Airtable、Outlook 或 Google Calendar 记录生成 QuickBooks Online 里程 CSV 文件。
- 确认是否启用了引号解析：
quoting=csv.QUOTE_ALL或quoting=csv.QUOTE_MINIMAL（pandas 默认） - 如果原始文件用单引号或无引号但字段含逗号，
quoting设错会导致列错位，此时 strip 也救不回数据结构 - 实操建议：先用
head -n 5 your.csv看原始格式，再决定quoting和skipinitialspace是否组合使用
导出时保持清洗结果：别让空格在 to_csv 里复活
很多人清洗完忘了导出环节——pandas 默认 to_csv 会在字符串字段两边加引号，而引号内的空格会被原样保留，下次再读又得 strip。
- 加参数
quoting=csv.QUOTE_MINIMAL（默认值）能减少冗余引号，但不会删空格 - 真正防止“空格回归”的做法是：导出前确保字段已 strip，且用
index=False避免索引列干扰 - 如果目标系统（如数据库导入工具）对空格敏感，导出时可强制不加引号：
quoting=csv.QUOTE_NONE，但需同步设escapechar='\'防止字段内逗号/换行炸开
最麻烦的情况是字段本身含空格（如人名 "New York"），和“脏空格”混在一起——这时候没法靠简单 strip 区分，得结合业务规则或正则做条件清洗。这种边界 case 往往要留日志，而不是硬塞进自动流程。
