背景簡介：

現有一個資料夾，全部是CSV格式檔案。需要從這些CSV檔案中逐一讀取第一列，取前100個和後100個組成一個二維陣列，最終將這些二維數組合併成一個大的二維陣列

問題解剖

可以把問題分成三大部分：

1. 逐一讀取CSV格式檔案的第一列；
2. 對每個CSV檔案進行處理（取前100個和後100個，合併）；
3. 對上一步獲得的的二維陣列進行合併。

問題分析

問題一： （逐一）讀取CSV格式檔案

考慮到實際情況，可以以一個CSV檔案為例進行說明。逐一讀取多個同一路徑下的檔案可以考慮使用glob模組的iglob方法，這裡不廢話。
目前，Python3（以下簡稱Python）至少有三種辦法讀取CSV格式檔案，分別是：

1.csv模組
2.numpy裡面的loadtxt方法
3.pandas裡面的read_csv方法

這裡採用time模組裡的timeit計時模組，測試機器的CPU為i7 6820HQ，16G記憶體，搭載windows10 64位系統。
由於csv.reader方法是把每一行資料轉化成了一個list，list中每個元素是一個字串，並不能（或者說很難）滿足我們的需求（可以間接實現我們的需求，後面有機會再補充），因而這裡只比較numpy模組的方法和pandas模組的方法。由於pandas方法效率比較高，故而增加pandas模組讀取後轉存為numpy.ndarray格式檔案的測試。
測試程式碼塊示例如下：

import timeit

import numpy
import pandas

def func_numpy():
    filepath = r'csv filepath'
    numpy.loadtxt(filepath, usecols=[0], delimiter=',')

def func_pandas():
    filepath = r'csv filepath'
    pandas.read_csv(filepath, usecols=[0])

def fun_pandas2numpy():
    filepath = r'csv filepath'
    pandas.read_csv(filepath, usecols=[0
 
]).as_matrix()

# 開始計時
t_numpy = timeit.timeit('func_numpy()', 'from __main__ import func_numpy', number=100)
t_pandas = timeit.timeit('func_pandas()', 'from __main__ import func_pandas', number=100)
t_pandas2numpy = timeit.timeit('fun_pandas2numpy()', 'from __main__ import fun_pandas2numpy', number=100)
print('讀取100次，numpy模組loadtxt方法用時：', t_numpy)
print('讀取100次，pandas模組read_csv方法用時：', t_pandas)
print('讀取100次，pandas模組read_csv方法讀取後並將其轉化為ndarray格式檔案用時：', t_pandas2numpy)

執行結果如下：

讀取100次，numpy模組loadtxt方法用時： 75.16465592171689

讀取100次，pandas模組read_csv方法用時： 6.334802627057911

讀取100次，pandas模組read_csv方法讀取後並將其轉化為ndarray格式檔案用時： 5.922901347888825

需要指出的是pandas模組read_csv方法和pandas模組read_csv方法讀取後並將其轉化為ndarray格式檔案的前後順序對執行結果會有影響（哪個在前面哪個的時間會略慢，請大佬批評指正）。但是這兩種方法相比較numpy方法而言，差距並不是很大。

因而：

更推薦使用pandas模組裡的read_csv方法，如果需要將資料儲存為numpy.ndarray格式檔案，可以選擇在後面使用pandas.DataFrame.as_matrix()方法。

Reference：