pandas导入导出的文件

结论：Pandas导入导出文件，先确定文件类型，再用对应方法。
1. 导入CSV文件：df = pd.read_csv('file.csv') 2. 导出CSV文件：df.to_csv('file.csv', index=False) 3. 导入Excel文件：df = pd.read_excel('file.xlsx') 4. 导出Excel文件：df.to_excel('file.xlsx', index=False) 5. 导入JSON文件：df = pd.read_json('file.json') 6. 导出JSON文件：df.to_json('file.json', orient='records') 7. 导入HDF5文件：df = pd.read_hdf('file.h5', 'table_name') 8. 导出HDF5文件：df.to_hdf('file.h5', 'table_name', mode='w') 9. 导入Feather文件：df = pd.read_feather('file.feather') 10. 导出Feather文件：df.to_feather('file.feather')
注意：导出时，index=False可以避免将索引写入文件。

上周，2023年，我那个朋友在导入Excel文件时遇到了点麻烦。他说他导出的Excel表格在导入pandas时，数据对齐出现了问题。我建议他检查一下列的顺序和数据类型是否匹配，最后他发现是因为导出时选错了格式导致的。
地点：上海 数字：3次尝试
他导出文件时，我提醒他选择“CSV（逗号分隔）”格式，然后导入pandas就顺畅多了。不过，他后来又问了我一个关于导出的问题。
这次他导出的是一个pandas DataFrame，他想要导出为Excel文件。我教他使用to_excel()方法，并提醒他确保Excel引擎是openpyxl，因为有时候默认的引擎可能会导致问题。
地点：北京 数字：1次成功
不过，我刚想到另一件事。如果你导出的Excel文件非常大，可能会遇到性能问题。在这种情况下，可以考虑使用pandas.ExcelWriter来分块写入。
算了，你看着办吧。

pandas 导入：

1. Excel文件：df = pd.read_excel('文件路径')
2. CSV文件：df = pd.read_csv('文件路径')
3. 数据库：df = pd.read_sql_query('SQL查询', '数据库连接')
   pandas 导出：
4. Excel文件：df.to_excel('文件路径', index=False)
5. CSV文件：df.to_csv('文件路径', index=False)
6. 数据库：df.to_sql('表名', 连接对象, if_exists='append')
   注意：导出时通常要设置index=False以不包含行索引。