五种比较常用格式的数据输出，手把手教你用Pandas实现

发布时间：2022-06-13 15:06:19 所属栏目：资源来源：互联网

导读：五种比较常用格式的数据输出，手把手教你用Pandas实现 01 CSV DataFrame.to_csv方法可以将DataFrame导出为CSV格式的文件，需要传入一个CSV文件名。复制 df.to_csv(done.csv) df.to_csv(data/done.csv) # 可以指定文件目录路径 df.to_csv(done.csv, index=

　五种比较常用格式的数据输出，手把手教你用Pandas实现

　01 CSV

　　DataFrame.to_csv方法可以将DataFrame导出为CSV格式的文件，需要传入一个CSV文件名。

　　复制
　　df.to_csv('done.csv')
　　df.to_csv('data/done.csv') # 可以指定文件目录路径
　　df.to_csv('done.csv', index=False) # 不要索引
　　1.
　　2.
　　3.
　　另外还可以使用sep参数指定分隔符，columns传入一个序列指定列名，编码用encoding传入。如果不需要表头，可以将header设为False。如果文件较大，可以使用compression进行压缩：

　　复制
　　# 创建一个包含out.csv的压缩文件out.zip
　　compression_opts = dict(method='zip',
　　                        archive_name='out.csv')
　　df.to_csv('out.zip', index=False,
　　          compression=compression_opts)

　　1.
　　2.
　　3.
　　4.
　　5.
　　02 Excel

　　将DataFrame导出为Excel格式也很方便，使用DataFrame.to_excel方法即可。要想把DataFrame对象导出，首先要指定一个文件名，这个文件名必须以.xlsx或.xls为扩展名，生成的文件标签名也可以用sheet_name指定。

　　如果要导出多个DataFrame到一个Excel，可以借助ExcelWriter对象来实现。

　　复制
　　# 导出，可以指定文件路径
　　df.to_excel('path_to_file.xlsx')
　　# 指定sheet名，不要索引
　　df.to_excel('path_to_file.xlsx', sheet_name='Sheet1', index=False)
　　# 指定索引名，不合并单元格
　　df.to_excel('path_to_file.xlsx', index_label='label', merge_cells=False)
　　1.
　　2.
　　3.
　　4.
　　5.
　　6.
　　多个数据的导出如下：

　　复制
　　# 将多个df分不同sheet导入一个Excel文件中
　　with pd.ExcelWriter('path_to_file.xlsx') as writer:
　　    df1.to_excel(writer, sheet_name='Sheet1')
　　    df2.to_excel(writer, sheet_name='Sheet2')
　　1.
　　2.
　　3.
　　4.
　　使用指定的Excel导出引擎如下：

　　复制
　　# 指定操作引擎
　　df.to_excel('path_to_file.xlsx', sheet_name='Sheet1', engine='xlsxwriter')
　　# 在'engine'参数中设置ExcelWriter使用的引擎
　　writer = pd.ExcelWriter('path_to_file.xlsx', engine='xlsxwriter')
　　df.to_excel(writer)
　　writer.save()

　　# 设置系统引擎
　　from pandas import options # noqa: E402
　　options.io.excel.xlsx.writer = 'xlsxwriter'
　　df.to_excel('path_to_file.xlsx', sheet_name='Sheet1')
　　1.
　　2.
　　3.
　　4.
　　5.
　　6.
　　7.
　　8.
　　9.
　　10.
　　11.
　　03 HTML

　　DataFrame.to_html会将DataFrame中的数据组装在HTML代码的table标签中，输入一个字符串，这部分HTML代码可以放在网页中进行展示，也可以作为邮件正文。

　　复制
　　print(df.to_html())
　　print(df.to_html(columns=[0])) # 输出指定列
　　print(df.to_html(bold_rows=False)) # 表头不加粗
　　# 表格指定样式，支持多个
　　print(df.to_html(classes=['class1', 'class2']))
　　1.
　　2.
　　3.
　　4.
　　5.
　　04 数据库（SQL）

　　将DataFrame中的数据保存到数据库的对应表中：

　　复制
　　# 需要安装SQLAlchemy库
　　from sqlalchemy import create_engine
　　# 创建数据库对象，SQLite内存模式
　　engine = create_engine('sqlite:///:memory:')
　　# 取出表名为data的表数据
　　with engine.connect() as conn, conn.begin():
　　    data = pd.read_sql_table('data', conn)

　　# data
　　# 将数据写入
　　data.to_sql('data', engine)
　　# 大量写入
　　data.to_sql('data_chunked', engine, chunksize=1000)
　　# 使用SQL查询
　　pd.read_sql_query('SELECT * FROM data', engine)
　　1.
　　2.
　　3.
　　4.
　　5.
　　6.
　　7.
　　8.
　　9.
　　10.
　　11.
　　12.
　　13.
　　14.
　　15.
　　05 Markdown

　　Markdown是一种常用的技术文档编写语言，Pandas支持输出Markdown格式的字符串，如下：

　　复制
　　print(cdf.to_markdown())

　　'''
　　|    |   x |   y |   z |
　　|:---|----:|----:|----:|
　　| a |   1 |   2 |   3 |
　　| b |   4 |   5 |   6 |
　　| c |   7 |   8 |   9 |
　　'''
　　1.
　　2.
　　3.
　　4.
　　5.
　　6.
　　7.
　　8.
　　9.
　　小结

　　本文介绍了如何将DataFrame对象数据进行输出，数据经输出、持久化后会成为固定的数据资产，供我们进行归档和分析。

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!

为何大数据为NFT创造了	架构迭代无法一蹴而就
为什么大热的数据可视	区块链为大数据分析提