### Pandas 常见读写操作及功能介绍 #### CSV 文件的读取与保存 Pandas 提供了 `read_csv` 函数用于加载逗号分隔值 (CSV) 文件到 DataFrame 中，而 `to_csv` 方法则允许将 DataFrame 的内容保存回 CSV 文件。这为数据科学家们提供了一个简单易用的方法来处理结构化文本数据[^2]。 ```python import pandas as pd # 加载 CSV 文件至 DataFrame df_from_csv = pd.read_csv('example.csv') # 将 DataFrame 保存成 CSV 文件 df_to_save.to_csv('output.csv', index=False) ``` #### Excel 文件的操作 除了支持 CSV 外，Pandas 还能够通过 `read_excel` 和 `to_excel` 来实现 Excel 表格文件(.xls 或 .xlsx) 的读入和写出。这对于那些习惯于使用电子表格软件工作的用户特别有用[^3]。 ```python # 从 Excel 导入数据 excel_data = pd.read_excel('sample.xlsx', sheet_name='Sheet1') # 把 DataFrame 存储为 Excel 文件 excel_data.to_excel('new_file.xlsx', sheet_name='NewSheet') ``` #### HDF5, Pickle 及 Parquet 格式的高效存取 针对大数据集或需要频繁访问的数据,Pandas 支持更高效的序列化格式如HDF5 (`read_hdf`, `to_hdf`)、Python 自带的对象持久化机制Pickle(`read_pickle`, `to_pickle`)还有Apache开发的列式存储Parquet(`read_parquet`, `to_parquet`).这些格式通常具有更快的速度和较小的空间开销，在大规模数据分析项目中有显著优势[^4]. ```python # 使用 HDF5 格式进行快速读写 store = pd.HDFStore('mydata.h5') store.put('dframe', df) # 利用 Pickle 序列化 Python 对象 pd.to_pickle(df,'saved_df.pkl') # 高效压缩并保存大表单为 Parquet 文件 df.to_parquet('large_dataset.parq') ``` #### SQL 数据库交互能力 为了方便与其他应用程序集成，Pandas 能够借助 SQLAlchemy 工具包执行SQL查询并将结果转换为DataFrame对象；同样也可以把现有的DataFrame记录插入指定的关系型数据库中。 ```sql -- 创建 MySQL 数据库连接字符串 url="mysql+pymysql://username:password@localhost/dbname" # 执行 SELECT 查询语句获取远程服务器上的数据 query_result=pd.read_sql_query("SELECT * FROM table", con=url) # 向现有表添加新行或将整个 DataFrame 插入新的关系表内 df.to_sql(name='table_name', con=url, if_exists='append', index=False) ```