统一性：
read_sql本质上是read_sql_table、read_sql_query的统一方式。三者都return返回DataFrame。
差异性：（有待总结）
根据目前的尝试，read_sql可能会查询数据在数据库中的存储过程等，需要给予的权限要高于两外两个函数。因此在遇到错误时不妨尝试使用另两个函数。
read_sql_query()不需要sql语句，直接传入表名和列名进行读取。
似乎，read_sql_table还具备对数据库直接进行增删改的功能。

官方说明：
read_sql
read_sql_query
read_sql_table

1.pandas.read_sql()

pandas.read_sql(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, columns=None, chunksize=None)

• sql:SQL命令字符串
• con：连接sql数据库的engine，一般可以用SQLalchemy或者pymysql之类的包建立
• index_col: 选择某一列作为index
• coerce_float:非常有用，将数字形式的字符串直接以float型读入
• parse_dates:将某一列日期型字符串转换为datetime型数据，与pd.to_datetime函数功能类似。可以直接提供需要转换的列名以默认的日期形式转换，也可以用字典的格式提供列名和转换的日期格式，比如{column_name: format string}（format string："%Y:%m:%H:%M:%S"）。
• columns:要选取的列。一般没啥用，因为在sql命令里面一般就指定要选择的列了
• chunksize：如果提供了一个整数值，那么就会返回一个generator，每次输出的行数就是提供的值的大小。

2.pandas.read_sql_query()

pandas.read_sql_query()(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, chunksize=None)

• sql:SQL命令字符串
• con：连接sql数据库的engine，一般可以用SQLalchemy或者pymysql之类的包建立
• index_col: 选择某一列作为index
• coerce_float:非常有用，将数字形式的字符串直接以float型读入
• parse_dates:将某一列日期型字符串转换为datetime型数据，与pd.to_datetime函数功能类似。可以直接提供需要转换的列名以默认的日期形式转换，也可以用字典的格式提供列名和转换的日期格式，比如{column_name: format string}（format string："%Y:%m:%H:%M:%S"）。
• chunksize：如果提供了一个整数值，那么就会返回一个generator，每次输出的行数就是提供的值的大小。

3.pandas.read_sql_table()

pandas.read_sql_query()(table_name, con,schema='None,index_col=None, coerce_float=True, parse_dates=None, columns=None,chunksize=None)

• table_name:连接的数据库名字
• con：连接sql数据库的engine，一般可以用SQLalchemy或者pymysql之类的包建立
• index_col: 选择某一列作为index
• coerce_float:非常有用，将数字形式的字符串直接以float型读入
• parse_dates:将某一列日期型字符串转换为datetime型数据，与pd.to_datetime函数功能类似。可以直接提供需要转换的列名以默认的日期形式转换，也可以用字典的格式提供列名和转换的日期格式，比如{column_name: format string}（format string："%Y:%m:%H:%M:%S"）。
• columns:columns:要选取的列。
• chunksize：如果提供了一个整数值，那么就会返回一个generator，每次输出的行数就是提供的值的大小。