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/