因为pd.read_csv()默认只认逗号，混合分隔符需用正则（如sep=r's+'或sep=r'[; |]+'）并指定engine='python'；sep=' '仅切单空格，sep=none自动推断不可靠，固定宽度文件应改用read_fwf()。
用 pd.read_csv() 识别混合分隔符时为什么总报错？
因为 pd.read_csv() 默认只认逗号，遇到空格、制表符、多个连续空格或竖线（|）会直接解析失败，尤其当文件里混用分隔符（比如头部用空格、数据行用制表符）时，sep 参数根本没法写死。
真正能应付“不同分隔符”的不是靠猜 sep，而是用正则表达式匹配空白或常见分隔字符：
- 统一按“一个或多个空白字符”切：设
sep=r's+'，能同时处理空格、制表符、换行符前导/中间的杂乱空格 - 若明确含竖线或冒号，用
sep=r'[s|:]+'（注意re模式需加engine='python'） - 绝对避免用
sep=' '——它只切单个空格，遇到两个空格就多出一列NaN - 加上
skipinitialspace=True可忽略分隔符后的空格，防止字段开头多出空格
读取固定宽度文件（FWF）却误用了 read_csv
很多看起来“对齐整齐”的文本（如日志、旧系统导出）其实是固定宽度而非分隔符格式，强行用 sep 会导致列错位。这时必须换用 pd.read_fwf()。
关键判断点：head -n 5 your_file.txt 看是否每列字符数恒定、无显式分隔符；若有，则：
- 不指定
widths时，read_fwf()会自动探测列边界（但可能不准，尤其含空字段） - 用
widths=[10, 8, 15]显式声明每列宽度最稳，数字单位是字符数（中文算1宽，英文/数字同理） - 若首行是标题且长度不参与对齐，加
header=0并配合colspecs='infer'让 pandas 基于第二行推断宽度 - 别忘了
encoding—— FWF 文件更易因编码问题导致宽度计算偏移
用 sep=None 自动推断分隔符的实际效果很有限
sep=None 只在文件前几行中尝试找出现频率高、位置稳定的字符（如逗号、制表符），但它不会分析整文件，也不支持正则，更无法处理“同一文件中不同行用不同分隔符”的情况。
真实场景中，它常给出错误结论：
- 某行末尾多一个逗号 → 推断为 CSV，结果最后一列全
NaN - 日志里时间字段含冒号（
12:34:56），sep=None可能误判冒号为分隔符 - 纯空格分隔但字段内含空格（如地址字段
"New York"）→ 直接崩，因为无法区分分隔空格和内容空格 - 真要用自动推断，先用
csv.Sniffer().sniff()试前 1024 字节，再传给pd.read_csv(sep=...)，比盲设sep=None可控得多
处理含嵌套引号或转义字符的分隔符文件
当字段本身含分隔符（如 CSV 中字段值为 "Smith, John"），仅靠 sep 和 quotechar 不够，还必须协调 escapechar 和 quoting 行为。
典型配置组合：
- 标准双引号包围 + 内部双引号转义为两个双引号：
quotechar='"', quoting=csv.QUOTE_MINIMAL（默认） - 字段含反斜杠转义（如
path="C: emp ile.txt"）→ 必须设escapechar='\'，否则 - 禁用所有引号解析（某些日志格式）：
quoting=csv.QUOTE_NONE，此时escapechar就成了唯一逃逸手段 - 用
on_bad_lines='skip'或'warn'处理个别格式错乱行，避免整个读取中断
最易被忽略的是：pandas 的 quoting 参数值来自 csv 模块，必须显式 import csv，不能直接写 quoting=3 这种魔术数字。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
