pandas 行数_pandas 详解（1）

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 提供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。pandas亦是数据分析的一大利器。

pandas 读取数据方式详解

import pandas as pd  # 导入pandas模块                                (1) pd.read_csv()  常用参数如下
   读取csv文件
   读取txt文件filepath_or_buffer:路径url，可以是file，http,ftp,s3 
sep：指定分隔符，默认“,”，同delimiter
delimiter_whitespace:True or False，默认False,用空格作为分隔符等价于sep='\s+'，如果该参数被调用，则delimiter不起作用
header：指定第几行作为列名，默认header = 0,如需指定则header = None
names：指定列名，如果文件不包含header行，应header = None
index_col：默认None，指定哪一列数据作为行索引，可以是一列，可以是多列。多列则分层索引
usecols：默认None，使用列序列或使用列名
engine:{'c','python'}
encoding：编码方式
nrows：int,default None需要读取的行数(从文件头开始算起)
prefix：给列名添加前缀
skiprows：需要忽略的行数(从文件开始处算起)或需要跳过的行号列表(从0开始)
......(2) pd.read_excel()  常用参数如下
   读取xlsx格式excel文件io：excel路径 
sheet_name：默认是sheetname为0，返回多表则使用sheetname=[0,1],若为None则返回全表
header：指定第几行作为列名，默认header = 0,如需指定则header = None
names：指定列名，如果文件不包含header行，应header = None
index_col：默认None，指定哪一列数据作为行索引，可以是一列，可以是多列。多列则分层索引
engine:{'c','python'}
skiprows：需要忽略的行数(从文件开始处算起)或需要跳过的行号列表(从0开始)
skip_footer：省略从尾部数的行数据
......(3)读取mysql数据库 pd.read_sql()
import pymysql
conn = pymysql.connect(
        host='*********',
        user='root',
        password='***',
        port = 3306,
        database='myemployees',
        charset='utf8'
    )
mysql_page = pd.read_sql("select * from myemployees.employees;", con=conn)   
mysql_page

mysql_page

pandas 读取操作

 names = [
    'Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','class'
]
df = pd.read_csv("C:\\Users\\yanjiaxi\\Desktop\\iris.dat",names = names)
df                                    

 names = [
    'Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','class'
]
df = pd.read_csv("C:\\Users\\yanjiaxi\\Desktop\\iris.dat",names = names,usecols=['Sepal.Length','Sepal.Width'])
df                                    

 names = [
    'Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','class'
]
df = pd.read_csv("C:\\Users\\yanjiaxi\\Desktop\\iris.dat",names = names,usecols=['Sepal.Length','Sepal.Width'],nrows=10)
df                                    

 names = [
    'Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','class'
]
df = pd.read_csv("C:\\Users\\yanjiaxi\\Desktop\\iris.dat",names = names,usecols=['Sepal.Length','Sepal.Width'],nrows=10)
df