电子商务网站开发教程最权威的品牌排行榜网站

锋哥原创的Pandas2 Python数据处理与分析 视频教程：  

2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili

任何原始格式的数据载入DataFrame后，都可以使用类似 DataFrame.to_csv()的方法输出到相应格式的文件或者目标系统里。

支持导出的格式比较多，常用的有csv，excel，sql，html等。

导出CSV文件

导出csv文件我们使用to_csv()方法，pandas2提供了丰富的参数来实现强大的导出功能，我们看下to_csv()方法的参数：

def to_csv(self,path_or_buf: FilePath | WriteBuffer[bytes] | WriteBuffer[str] | None = None,sep: str = ",",na_rep: str = "",float_format: str | Callable | None = None,columns: Sequence[Hashable] | None = None,header: bool_t | list[str] = True,index: bool_t = True,index_label: IndexLabel | None = None,mode: str = "w",encoding: str | None = None,compression: CompressionOptions = "infer",quoting: int | None = None,quotechar: str = '"',lineterminator: str | None = None,chunksize: int | None = None,date_format: str | None = None,doublequote: bool_t = True,escapechar: str | None = None,decimal: str = ".",errors: OpenFileErrors = "strict",storage_options: StorageOptions | None = None,)

to_csv() 是 pandas 中用于将 DataFrame 导出为 CSV 文件的重要方法。以下是该方法的参数详解：

基本参数

1. path_or_buf (str, path object, file-like object, 默认为 None)

   • 文件路径或文件对象

   • 如果为 None，则返回 CSV 字符串

2. sep (str, 默认为 ',')

   • 指定分隔符

   • 例如: sep='\t' 表示制表符分隔

3. na_rep (str, 默认为 '')

   • 缺失值表示方式

   • 例如: na_rep='NA' 会将缺失值显示为 NA

4. float_format (str, 默认为 None)

   • 浮点数格式字符串

   • 例如: float_format='%.2f' 保留两位小数

5. columns (sequence, 可选)

   • 指定要写入的列

   • 例如: columns=['col1', 'col3']

6. header (bool or list of str, 默认为 True)

   • 是否写入列名

   • 如果传入列表，则用作列名

7. index (bool, 默认为 True)

   • 是否写入行索引

8. index_label (str or sequence, 默认为 None)

   • 索引列的列名

   • 如果传入列表且有多级索引，则为每级指定名称

编码与日期格式

1. encoding (str, 默认为 None)

   • 编码方式

   • 例如: encoding='utf-8' 或 encoding='gbk'

2. date_format (str, 默认为 None)

   • 日期格式字符串

   • 例如: date_format='%Y-%m-%d'

性能相关参数

1. mode (str, 默认为 'w')

   • Python 写入模式

   • 'w' 表示写入，'a' 表示追加

2. compression (str or dict, 默认为 'infer')

   • 压缩方式

   • 可选: 'infer', 'gzip', 'bz2', 'zip', 'xz', None

3. quoting (int or csv.QUOTE_*, 默认为 csv.QUOTE_MINIMAL)

   • 引用约定

   • 选项:

     • csv.QUOTE_ALL (引用所有字段)

     • csv.QUOTE_MINIMAL (仅引用包含特殊字符的字段)

     • csv.QUOTE_NONNUMERIC (引用所有非数字字段)

     • csv.QUOTE_NONE (不引用)

4. quotechar (str, 默认为 '"')

   • 用于引用的字符

5. line_terminator (str, 默认为 '\n')

   • 行结束符

其他参数

1. chunksize (int, 默认为 None)

   • 按指定行数分批写入

2. doublequote (bool, 默认为 True)

   • 引用字段中的引号是否双写

3. escapechar (str, 默认为 None)

   • 用于转义的字符

4. decimal (str, 默认为 '.')

   • 小数点的字符表示

   • 例如: decimal=',' 用于欧洲格式

我们先看最简单的一个示例，用字典构造一个DataFrame对象，然后直接导出csv文件：

import pandas as pdd = {'学号': [1, 2, 3],'姓名': ['张三', '李四', '王五'],'语文': [99, 88, 77],'数学': [44, 55, 55],'英语': [88, 55, 66]}df = pd.DataFrame(d)print(df)df.to_csv('out/student.csv')

我们运行看下导出的csv文件：

默认是有含行索引的，如果不需要的话，我们加下index=False参数：

df.to_csv('out/student2.csv', index=False)  # 不需要行索引

运行导出的csv文件：

如果不需要表头，可以设置header=False

df.to_csv('out/student3.csv', index=False, header=False)  # 不需要行索引,不要表头

运行导出的csv文件：

导出指定列数据，可以使用columns参数指定：

df.to_csv('out/student4.csv', index=False, columns=['姓名', '语文'])  # 不需要行索引,不要表头

运行导出的csv文件：

导出Excel文件

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。

to_excel()方法参数如下：

def to_excel(self,excel_writer: FilePath | WriteExcelBuffer | ExcelWriter,sheet_name: str = "Sheet1",na_rep: str = "",float_format: str | None = None,columns: Sequence[Hashable] | None = None,header: Sequence[Hashable] | bool_t = True,index: bool_t = True,index_label: IndexLabel | None = None,startrow: int = 0,startcol: int = 0,engine: Literal["openpyxl", "xlsxwriter"] | None = None,merge_cells: bool_t = True,inf_rep: str = "inf",freeze_panes: tuple[int, int] | None = None,storage_options: StorageOptions | None = None,engine_kwargs: dict[str, Any] | None = None,) 

有个sheet_name标签名称参数，默认值是"Sheet1"，其他参数使用和csv基本一致。

下面看一个示例：

import pandas as pd
​
d = {'学号': [1, 2, 3],'姓名': ['张三', '李四', '王五'],'语文': [99, 88, 77],'数学': [44, 55, 55],'英语': [88, 55, 66]}
​
df = pd.DataFrame(d)
​
df.to_excel('out/student.xlsx', sheet_name="我的标签页", index=False)

导出的excel文件：

导出sql

将DataFrame中的数据保存到数据库的对应表中，pandas2提供了to_sql()方法，我们看下to_sql()方法的参数：

def to_sql(self,name: str,con,schema: str | None = None,if_exists: Literal["fail", "replace", "append"] = "fail",index: bool_t = True,index_label: IndexLabel | None = None,chunksize: int | None = None,dtype: DtypeArg | None = None,method: Literal["multi"] | Callable | None = None,)

to_sql() 是 pandas 中用于将 DataFrame 写入 SQL 数据库的方法，支持多种关系型数据库。以下是该方法的详细参数说明：

基本参数

1. name (str)

   • 目标数据库表名

   • 如果表已存在，行为取决于 if_exists 参数

2. con (sqlalchemy.engine.Engine or sqlite3.Connection)

   • 数据库连接对象

   • 通常使用 SQLAlchemy 引擎创建

3. schema (str, 可选)

   • 数据库 schema 名称

   • 默认为 None，使用数据库默认 schema

4. if_exists (str, 默认为 'fail')

   • 表已存在时的处理方式：

     • 'fail': 抛出 ValueError (默认)

     • 'replace': 删除原表后重建

     • 'append': 向现有表追加数据

写入控制参数

1. index (bool, 默认为 True)

   • 是否将 DataFrame 的索引作为单独列写入

2. index_label (str or sequence, 可选)

   • 索引列的列名

   • 如果有多级索引，可传入序列

3. chunksize (int, 可选)

   • 分批写入的行数

   • 大数据集时使用可减少内存消耗

4. dtype (dict, 可选)

   • 指定列的数据类型

   • 格式: {'column_name': sqlalchemy.types.Type}

   • 例如: {'price': sqlalchemy.types.Float}

类型推断与性能

1. method (str or callable, 可选)

   • 控制 SQL 插入方式：

     • None: 标准 SQL INSERT 语句

     • 'multi': 单语句多行插入

     • callable: 自定义插入函数

   • 大数据量时 'multi' 可提高性能

2. keys (sequence, 可选)

   • 当 method='multi' 时，指定要插入的列

其他参数

1. fail_on_extra_columns (bool, 默认为 False)

   • 如果为 True，当 DataFrame 包含表中不存在的列时会失败

2. alter_schema (bool, 默认为 False)

   • 如果为 True，尝试修改表结构以匹配 DataFrame

下面是一个导出sql示例：

import pandas as pd
​
from sqlalchemy import create_engine
​
d = {'学号': [1, 2, 3],'姓名': ['张三', '李四', '王五'],'语文': [99, 88, 77],'数学': [44, 55, 55],'英语': [88, 55, 66]}
​
df = pd.DataFrame(d)
​
# 创建数据库引擎
# 注意：替换下面的用户名、密码、主机名和数据库名
engine = create_engine('mysql+pymysql://root:123456@localhost:3308/db_xuanke')
​
df.to_sql('t_student', engine, index_label='id')

​

运行后，自动建表，以及自动插入数据：