本文详解在使用 `pandas.read_csv()` 读取目录下多个 csv 文件时，因路径拼接错误导致的 `filenotfounderror` 问题，并提供修复后的完整、健壮的批量清洗脚本。

当你调用 pd.read_csv(file) 且 file 仅为文件名（如 "data.csv"）时，pandas 默认会在当前工作目录下查找该文件，而非你指定的输入文件夹。若文件实际位于 ./input/ 下，而你未将路径与文件名正确拼接，就会触发经典的 FileNotFoundError: [Errno 2] No such file or directory 错误。

核心问题在于：必须传入完整的绝对路径或相对于当前工作目录的有效相对路径。推荐使用 os.path.join(input_folder_path, file) 构建安全路径（自动适配不同操作系统的路径分隔符），并确保该路径确实指向一个存在的 .csv 文件。

以下是修复后、逻辑清晰、可直接运行的完整代码：

import os
import pandas as pd

def clean_files(input_folder_path, output_folder_path):
    """
    批量读取、清洗并保存 CSV 文件：
    - 跳过每个文件前5行（如表头/说明行）
    - 保存为 cleaned_{原文件名} 到输出目录
    """
    # 验证输入路径存在且为目录
    if not os.path.isdir(input_folder_path):
        raise ValueError(f"输入路径不存在或不是目录: {input_folder_path}")
    if not os.path.isdir(output_folder_path):
        os.makedirs(output_folder_path)  # 自动创建输出目录

    # 获取所有 CSV 文件名（不含路径）
    csv_files = [f for f in os.listdir(input_folder_path) if f.lower().endswith('.csv')]

    if not csv_files:
        print("警告：输入目录中未找到任何 CSV 文件。")
        return []

    cleaned_dfs = []  # 存储清洗后的 DataFrame 列表

    for filename in csv_files:
        file_path = os.path.join(input_folder_path, filename)

        # ✅ 关键修复：使用完整 file_path 读取
        try:
            df = pd.read_csv(file_path)
            print(f"✓ 已读取: {filename} ({len(df)} 行)")
        except Exception as e:
            print(f"✗ 读取失败 {filename}: {e}")
            continue

        # 清洗：跳过前5行（注意：iloc[5:] 表示从索引5开始，即丢弃第0~4行）
        if len(df) > 5:
            df_cleaned = df.iloc[5:].reset_index(drop=True)
        else:
            print(f"⚠ {filename} 行数不足6行，清洗后为空 DataFrame")
            df_cleaned = pd.DataFrame()

        # 保存清洗后文件
        output_file = os.path.join(output_folder_path, f"cleaned_{filename}")
        try:
            df_cleaned.to_csv(output_file, index=False)
            print(f"✓ 已保存: {output_file}")
        except Exception as e:
            print(f"✗ 保存失败 {output_file}: {e}")
            continue

        cleaned_dfs.append(df_cleaned)

    # 可选：统一显示各 DataFrame 形状（非内容，避免大量输出）
    for i, df in enumerate(cleaned_dfs):
        print(f"cleaned_df[{i}] 形状: {df.shape}")

    return cleaned_dfs

# 使用示例（请根据实际路径调整）
if __name__ == '__main__':
    input_dir = "./input_csv/"   # ✅ 确保此路径存在且含 CSV 文件
    output_dir = "./cleaned_csv/"

    result = clean_files(input_dir, output_dir)
    print(f"\n✅ 总共处理完成 {len(result)} 个 CSV 文件。")

关键修复点与最佳实践总结：

• ❌ 错误写法：pd.read_csv(file) → 仅传文件名，路径丢失；
• ✅ 正确写法：pd.read_csv(os.path.join(input_folder_path, file)) → 显式构造完整路径；
• ?️ 增加路径存在性校验与异常捕获，避免程序崩溃；
• ? df.iloc[5:] 是切片操作，非“删除前5行”的通用清洗逻辑（如需按条件过滤，请改用 df.drop() 或布尔索引）；
• ? 输出文件名使用 cleaned_{filename} 保留原始扩展名，避免生成 .csv.csv；
• ⚠️ 原代码中 cleaned_df = df.append(df) 和重复 append 存在严重逻辑错误（覆盖变量、重复追加），已重构为清晰的列表累积模式。

运行前请确认：

1. input_folder_path 下有真实 .csv 文件；
2. 你有对应目录的读写权限；
3. 当前工作目录（os.getcwd()）不影响 os.path.join 的正确性（它始终基于给定路径拼接）。

遵循以上规范，即可彻底规避 FileNotFoundError，实现稳定可靠的批量 CSV 处理。