使用 pd.read_csv() 读取含连续尾部分隔符（如 ;;;;）的 CSV 时，默认会忽略末尾空字段；需通过设置 keep_default_na=False 和 na_filter=False，并配合 engine='python' 或显式指定列数，才能完整保留所有列（包括 trailing null 列）。

使用 `pd.read_csv()` 读取含连续尾部分隔符（如 `;;;;`）的 csv 时，默认会忽略末尾空字段；需通过设置 `keep_default_na=false` 和 `na_filter=false`，并配合 `engine='python'` 或显式指定列数，才能完整保留所有列（包括 trailing null 列）。

当 CSV 行末存在多个连续分隔符（例如 a;b;c;;;），Pandas 默认的 C 引擎会将末尾的空字段截断，导致 DataFrame 列数少于实际字段数。这是因为 C 解析器为性能优化而跳过“无意义”的尾部空值。要严格按分隔符数量解析（即每个 ; 都对应一列），必须禁用自动空值识别，并强制解析全部字段。

✅ 推荐解决方案（兼容性好、无需预知列数）：
启用 Python 引擎并关闭空值过滤：

import pandas as pd

df = pd.read_csv(
    config.get("OS", "output_file"),
    header=None,
    sep=config.get("OS", "delimiter"),  # 如 ';'
    engine='python',           # 关键：启用 Python 解析器，支持严格分隔符计数
    keep_default_na=False,     # 关键：不将空字符串视为 NaN
    na_filter=False,           # 关键：完全禁用空值检测，保留所有原始空字段
    dtype=str                  # 可选：统一设为字符串，避免类型推断干扰列结构
)
# 此时 df 的列数 = 实际分隔符数 + 1（例如 'a;;b;;;' → 5 列）

⚠️ 注意事项：

• engine='python' 虽稍慢于默认 C 引擎，但能精确匹配分隔符位置，是处理此类边缘格式的可靠选择；
• na_filter=False 是核心——若保留 True，即使有尾部 ;，Pandas 仍可能将最后若干空字段合并或丢弃；
• 若后续需数值/日期类型，建议先完整读入（全 str），再对特定列调用 pd.to_numeric(..., errors='coerce') 或 pd.to_datetime() 安全转换；
• 不要依赖 skipinitialspace=True 或 quoting 参数解决此问题——它们针对引号/空格场景，对尾部空字段无效。

? 补充技巧：若已知最大列数（如 40），也可用 names=range(40) 显式声明列名，再结合 usecols 或 dtype 控制：

Knowledge Graph - Csv Graph Loader Generator

从 CSV 数据集生成图数据库加载器和三元组映射。将表格 CSV 数据转换为图数据库可直接使用的节点、边和三元组。

下载

df = pd.read_csv(
    "data.csv",
    header=None,
    sep=';',
    names=range(40),      # 强制定义 0–39 共 40 列
    keep_default_na=False,
    na_filter=False,
    dtype=str
)

最终，DataFrame 将严格反映原始行的分隔符结构：12;0;...;0;;;;;;;;;;;;;;;;（共 37 个 ; → 38 列），所有尾部空字段均以 ''（空字符串）形式保留，后续可统一替换为 pd.NA 或 None 进行业务处理。