Python Pandas pandas.DataFrame.to_sql函数方法的使用

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,)]

 https://www.cjavapy.com/article/158/