Bootstrap
Pandas是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现,它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中DataFrame.to_sql方法的使用。

DataFrame.to_sql (name,con,schema = None,if_exists ='fail',index = True,index_label = None,chunksize = None,dtype = None ) [source]

将存储在DataFrame中的记录写入SQL数据库。

支持SQLAlchemy [R16]支持的数据库。可以新创建,附加或覆盖表。

参数:

name:string

SQL表的名称。

con:sqlalchemy.engine.Engine或sqlite3.Connection

使用SQLAlchemy可以使用该库支持的任何数据库。

为sqlite3.Connection对象提供了旧版支持。

schema:string,optional

指定架构(如果数据库支持)。如果为None,请使用默认架构。

if_exists:{'fail','replace','append'},默认'fail'

如果表已存在的情况如下,

  • fail:引发ValueError。
  • replace:在插入新值之前删除表。
  • append:将新值插入现有表。

index:布尔值,默认为True

将DataFrame索引写为列。使用index_label作为表中的列名。

index_label:字符串或序列,默认为None

索引列的列标签。如果给出None(默认)且 index为True,

则使用索引名称。

如果DataFrame使用MultiIndex,则应该给出一个sequence。

chunksize:int,可选

行将一次批量写入的数量。默认情况下,所有行都将立即写入。

dtype:dict,可选

指定列的数据类型。键应该是列名,值应该是SQLAlchemy类型,

或sqlite3传统模式的字符串。

异常:

ValueError异常

当表已经存在且if_exists为'fail'时(默认值)。

例如,

1)创建内存中的SQLite数据库

>>> from sqlalchemy import create_engine
>>> engine = create_engine('sqlite://', echo=False)

2)从头开始创建一个包含3行的表

>>> df = pd.DataFrame({'name' : ['User 1', 'User 2', 'User 3']})
>>> df
     name
0  User 1
1  User 2
2  User 3
>>> df.to_sql('users', con=engine)
>>> engine.execute("SELECT * FROM users").fetchall()
[(0, 'User 1'), (1, 'User 2'), (2, 'User 3')]
>>> df1 = pd.DataFrame({'name' : ['User 4', 'User 5']})
>>> df1.to_sql('users', con=engine, if_exists='append')
>>> engine.execute("SELECT * FROM users").fetchall()
[(0, 'User 1'), (1, 'User 2'), (2, 'User 3'),
 (0, 'User 4'), (1, 'User 5')]

3)用df1覆盖表

>>> df1.to_sql('users', con=engine, if_exists='replace',
...            index_label='id')
>>> engine.execute("SELECT * FROM users").fetchall()
[(0, 'User 4'), (1, 'User 5')]

4)指定dtype(对于具有缺失值的整数很有用)。请注意,虽然pandas被强制将数据存储为浮点数,但数据库支持可空整数。使用Python获取数据时,我们会返回整数标量。

>>> df = pd.DataFrame({"A": [1, None, 2]})
>>> df
     A
0  1.0
1  NaN
2  2.0
>>> from sqlalchemy.types import Integer
>>> df.to_sql('integers', con=engine, index=False,
...           dtype={"A": Integer()})
>>> engine.execute("SELECT * FROM integers").fetchall()
[(1,), (None,), (2,)]