概要（pandas.read_csvは「CSVをDataFrameに変換」する最短ルート）
pandas.read_csvは、CSV（テキスト表）を一発でDataFrameへ読み込む関数です。初心者がまず押さえるのは「ファイルパス」「文字コード（encoding）」「列名・型・欠損の扱い」。この3つを丁寧に決めるだけで、後工程（集計・可視化）がスムーズになります。大きなCSVでも、範囲指定・チャンク分割・型の事前指定で高速・省メモリに処理できます。
基本の使い方（ここが重要）
最短の読み込みと確認
import pandas as pd
df = pd.read_csv("data/users.csv", encoding="utf-8")
print(df.head()) # 先頭5行
print(df.shape) # (行数, 列数)
print(df.columns) # 列名一覧
encodingは迷ったらutf-8。Excel出力などでBOM付きの可能性があるなら、utf-8-sigを使うと安全です。
ヘッダー行・列名・インデックスの制御
# ヘッダーあり（標準）
df = pd.read_csv("data.csv")
# ヘッダーなし → 列名を自分で付ける
df = pd.read_csv("noheader.csv", header=None, names=["name", "age", "city"])
# 1列を行インデックスにする
df = pd.read_csv("data.csv", index_col="id")
header=Noneは「先頭行もデータ」であることを示し、namesで列名を付与します。index_colで行ラベルを指定すると、検索や結合で扱いやすくなります。
列選択と型指定（最初から“欲しい形”で読む）
# 必要な列だけ読む
df = pd.read_csv("sales.csv", usecols=["date", "item", "amount"])
# 列の型を明示（速く・安定して読める）
df = pd.read_csv("users.csv", dtype={"id": "int64", "age": "Int64"}) # Int64は欠損対応の整数
型が曖昧だと自動推定で遅くなったり、意図しない型になります。dtypeで先に固定すると安定します。
欠損・日付・区切りなどの実務必須オプション（深掘り）
欠損値をNaNとして扱い、カスタム欠損も指定
df = pd.read_csv("data.csv", na_values=["", "NA", "null"])
print(df.isna().sum()) # 欠損の数を確認
文字列の欠損コード（”NA”など）をna_valuesに並べると、適切にNaNへ変換されます。算術・統計関数がそのまま使えます。
日付列の自動変換（parse_dates）
df = pd.read_csv("sales.csv", parse_dates=["date"])
print(df["date"].dt.year) # datetimeとして操作可能
parse_datesを使うと、文字列ではなくdatetime64へ変換されます。複数列の結合日付（year, month, day）もリストで指定可能です。
区切り文字・引用符・小数点・千区切り
# セミコロン区切り、引用符、千区切り・小数点記号
df = pd.read_csv(
"euro.csv",
sep=";",
quotechar='"',
thousands=".",
decimal=",",
)
欧州のCSVなど、区切りや表記が違う場合はここを合わせると崩れません。
BOM付きや別エンコーディングへの対応
# BOM付き（Excel友好）
df = pd.read_csv("export.csv", encoding="utf-8-sig")
# Shift_JIS（Windows由来）
df = pd.read_csv("sjis.csv", encoding="cp932")
文字化け時はencodingを切り替えます。日本語のWindows由来はcp932（Shift_JIS系）が定番です。
大きなCSVを速く・軽く読む（範囲絞り・チャンク・エンジン）
先頭・特定行だけ読む（skiprows, nrows）
# 先頭をスキップして少量サンプルだけ
df = pd.read_csv("huge.csv", skiprows=1_000, nrows=5_000)
検証時はnrowsで小さく読み、設定が固まったら本番投入。余計な前置行（メタ情報）をskiprowsで飛ばせます。
チャンク単位で分割読み（chunksize）
for chunk in pd.read_csv("huge.csv", chunksize=100_000):
# チャンクごとに処理（集計・書き出しなど）
print(len(chunk))
全件を一度にメモリへ載せず、流し込み処理にできます。集計は「チャンクごとに部分集計→最後に統合」が定石です。
型指定とエンジンで安定化・高速化
# 型を固定（自動推定のコスト削減）
df = pd.read_csv("logs.csv", dtype={"user_id": "int64", "score": "float64"})
# パーサエンジンの切り替え例（最新版では自動最適も進化）
df = pd.read_csv("data.csv", engine="python") # 複雑な区切りに強いが遅め
dtypeで推定コストを下げるのが最優先。複雑な区切り・改行がある場合はengine=”python”で通ることがあります。高速性は“範囲絞り・チャンク・型指定”で稼ぐのが基本です。
クリーニング・インデックス・Pathlib連携（安全運用の型）
余計な空白・文字の正規化を読み後すぐに
df = pd.read_csv("users.csv")
df["name"] = df["name"].str.strip() # 前後空白除去
df["name"] = df["name"].str.replace("\u3000", " ") # 全角スペースを半角へ
文字列列はstrアクセサで整えます。早めに正規化しておくと下流が楽になります。
列からインデックスを作る（検索・結合を速く）
df = pd.read_csv("users.csv")
df = df.set_index("id", drop=False) # idで検索・結合しやすい
index_colで読み込み時に設定してもOK。結合（merge）時のキーに合わせて整えておきましょう。
Pathlibで安全なファイル操作を一緒に
from pathlib import Path
import pandas as pd
path = Path("data") / "sales.csv"
if not path.exists():
raise FileNotFoundError(path)
df = pd.read_csv(path, encoding="utf-8")
結合・存在確認・読み込みまで一貫して書けると、運用事故が減ります。
例題で身につける（定番から一歩先まで）
例題1：ヘッダーありCSVを型・欠損を指定して読み込む
import pandas as pd
df = pd.read_csv(
"sales.csv",
usecols=["date", "item", "amount"],
dtype={"item": "string", "amount": "float64"},
parse_dates=["date"],
na_values=["", "NA", "null"]
)
print(df.dtypes) # 型確認
print(df["amount"].sum())
例題2：セミコロン区切り＋欧州表記CSVの読込み
import pandas as pd
df = pd.read_csv(
"euro_sales.csv",
sep=";",
decimal=",",
thousands=".",
encoding="utf-8"
)
print(df.head())
例題3：巨大CSVをチャンクで部分集計して合算
import pandas as pd
total = 0.0
for chunk in pd.read_csv("huge.csv", usecols=["amount"], chunksize=200_000):
total += chunk["amount"].sum()
print("total:", total)
例題4：ヘッダー無しを列名付与して読み、インデックスを設定
import pandas as pd
df = pd.read_csv("noheader.csv", header=None, names=["id", "name", "score"])
df = df.set_index("id", drop=False)
print(df.loc[1001]) # idで検索
まとめ
pandas.read_csvは「列名・型・欠損の扱い」を最初に決めるのが肝心です。usecolsで絞り、dtypeで型を固定、parse_datesで日付にする。文字コードはutf-8（必要ならutf-8-sigやcp932）、区切り・小数点・千区切りはCSVの仕様に合わせる。巨大ファイルはskiprows・nrows・chunksizeで“作らず流す”。Pathlibでファイル操作を安全に組み合わせ、読み込んだ直後に文字列正規化・インデックス整備を済ませれば、初心者でも短く、速く、壊れないデータ読込みが実現できます。