### 使用Python读取多个TXT文件并将其内容合并保存至单个CSV文件 为了实现这一目标，可以利用 `glob` 模块来匹配指定路径下的所有 `.txt` 文件，并通过 `numpy.loadtxt()` 或者 `pandas.read_csv()` 方法逐个加载这些文件的内容。最后，将所有数据合并并通过 `pandas.DataFrame.to_csv()` 将其导出为单一的 CSV 文件。 以下是具体方法： #### 1. 导入必要的库 需要导入 `glob` 和 `pandas` 库用于文件操作和数据分析。 ```python import glob import pandas as pd ``` #### 2. 获取所有 TXT 文件列表 使用 `glob.glob()` 函数获取当前目录下所有的 `.txt` 文件路径。可以通过传递通配符模式（如 `"*.txt"`）来完成此操作[^3]。 ```python file_list = glob.glob('path/to/txt/files/*.txt') # 替换为实际路径 ``` #### 3. 遍历文件并读取数据 对于每一个 `.txt` 文件，使用 `pd.read_csv()` 来读取其中的数据。假设每行是一个记录，且字段之间由空格或其他分隔符分开，则可以在函数中设置对应的参数。 ```python data_frames = [] for file_name in file_list: df_temp = pd.read_csv(file_name, sep='\s+', header=None) # 假设无头信息，分隔符为空白字符 data_frames.append(df_temp) ``` #### 4. 合并所有 DataFrame 对象 一旦所有单独的表格被成功转换成 Pandas 的 DataFrame 结构后，就可以调用 `pd.concat()` 函数把它们垂直堆叠起来形成一个新的整体 DataFrame 实例。 ```python combined_df = pd.concat(data_frames, ignore_index=True) ``` #### 5. 输出到 CSV 文件 最终一步就是借助于上述创建出来的综合版 DataFrame 调用它的成员方法 `to_csv()` ，从而生成所需的汇总后的 CSV 文档。 ```python combined_df.to_csv('output.csv', index=False, header=False) # 不保留索引与头部信息 ``` 完整的脚本如下所示： ```python import glob import pandas as pd # Step 1: Get all txt files from specified directory. file_list = glob.glob('./data_folder/*.txt') # Step 2: Read each text file into separate DataFrames. data_frames = [] for file_path in file_list: temp_df = pd.read_csv(file_path, sep='\t', header=None) # Adjust separator based on your actual case. data_frames.append(temp_df) # Step 3: Concatenate all individual DataFrames together. merged_data_frame = pd.concat(data_frames, axis=0, ignore_index=True) # Step 4: Export merged DataFrame to a new CSV file without headers or indices. merged_data_frame.to_csv('resultant_combined_file.csv', index=False, header=False) ``` 以上过程涵盖了从多源文本资料收集直至统一存储的关键环节描述。