本文介绍如何使用 pandas 的 `skiprows` 和 `header` 参数，自动跳过 txt 文件中前导的非数值行（如标题、单位、说明等），精准读取第四行起的数值数据，同时保留原始文本信息用于图表标注。
在实际数据处理中，实验仪器导出的 .txt 文件常包含多行元信息（如标题、列名、单位等），而真正可用于绘图的数值数据通常从第 4 行（即索引为 3 的行）开始。手动删除前导行不仅低效，还易出错且不可复现。幸运的是，pandas.read_csv() 提供了灵活的参数支持，无需预处理文件即可直接定位有效数据。
✅ 正确读取数据：跳过前 4 行 + 禁用自动表头识别
原始文件结构如下（共 4 行元数据 + N 行数值）：
"Power Curve Thermocouple TC_MS" "Power Curve Thermocouple TC_FS" "AUTime" "AUPercent" "AUTime" "AUPercent" "s" "%" "s" "%" 2190.89224179698 41.447689056396484 2190.89224179698 25.676259994506836 ...
只需两处关键修改，即可让代码自动适配：
filename = "curve_htc6000_2.txt" setTemp = 200 # 跳过前4行（0-indexed，即跳过第0、1、2、3行），且不将任何行设为列名 df = pd.read_csv(filename, delim_whitespace=True, skiprows=4, header=None) Time1 = df.iloc[:, 0] Power1 = df.iloc[:, 1] Time2 = df.iloc[:, 2] Power2 = df.iloc[:, 3]
? skiprows=4 表示跳过文件开头的 4 行；header=None 强制 pandas 不将任意一行作为列名（否则第 4 行会被误认为列名，导致 iloc[:,0] 取到错误列）。二者配合，确保 df 是一个纯数值的、按位置索引的 DataFrame。
? 进阶技巧：读取并复用原始标题行（可选）
若需提取第一行标题（如 "Power Curve Thermocouple TC_MS"）用于图例或标题，可分两步读取：
立即学习“Python免费学习笔记（深入）”；
# 第一步：仅读取前3行，获取元信息
with open(filename, 'r') as f:
lines = f.readlines()[:3] # 获取前3行（标题、列名、单位）
title_line = lines[0].strip().strip('"') # 如："Power Curve Thermocouple TC_MS" → "Power Curve Thermocouple TC_MS"
col_names = lines[1].split() # ['"AUTime"', '"AUPercent"', ...]
units = lines[2].split() # ['"s"', '"%"', ...]
# 第二步：读取数据（跳过前4行）
df = pd.read_csv(filename, delim_whitespace=True, skiprows=4, header=None)
# 后续绘图中可灵活使用
plottitle = f'Power Usage — {title_line}'
plt.title(plottitle)
plt.ylabel(f'Power [{units[1].strip("\"")}]') # → "Power [%]"⚠️ 注意事项与最佳实践
- 验证跳过行数：不同文件可能有不同数量的元数据行。建议先用 head -n 5 filename.txt（Linux/macOS）或 Get-Content filename.txt -Head 5（PowerShell）检查结构。
- 空行与注释：若文件含空行或 # 注释，可额外添加 comment='#' 或 skip_blank_lines=True 参数增强鲁棒性。
- 列名复用场景：若需以第二行（"AUTime", "AUPercent"）作为逻辑列名，可在读取后手动赋值：df.columns = ['Time_MS', 'Power_MS', 'Time_FS', 'Power_FS']，提升代码可读性。
- 性能提示：对超大文件，skiprows 比先读全再切片更省内存，因 pandas 直接跳过指定行而不加载。
通过合理配置 skiprows 和 header，你的绘图脚本即可实现“开箱即用”——无论新旧数据文件，均能自动定位数值区、稳定生成图表，并保留元信息用于专业标注。
