一. 文件的读取

csv类型读取

命令：pd.read_csv()
常用参数：

• path
  文件路径，可以是网络数据

• encoding
  指定编码。
  pd.read_csv('example.csv', encoding='gb2312')

• sep
  指定行中各字段的分隔符，使用read_csv()时，默认就是逗号。

• header
  指定哪一行作为列索引，默认是0，即第一行。
  当你指定None时，pandas会默认给出数字索引。
  需要注意的是，如果指定了非第一行，那么你所指定的这一行之前的数据将被忽略
  pd.read_csv('example.csv', header=None, encoding='gb2312')

• index_col
  指定哪一列作为行索引，pandas默认的行索引是从0开始一直向下递增，但是可以指定某一列作为行的索引，这里的指定可以是数字形式，也可以具体给出列的名称。

  pd.read_csv('example.csv', index_col=0)  # 指定第0列
  pd.read_csv('example.csv', index_col='company')  # 指定'company'列作为索引
  

• names
  自己添加列索引，是一个列表形式。
  pd.read_csv('example.csv', names=['公司','职位', '薪资', '地点'])
  如果原始数据已经带有索引，而你想要重新自定义一个索引，可以添加一个header=0参数， 意思就是使用names这个新的索引，代替原来的索引。

• parse_dates
  将某一列转换成日期格式

• skiprows
  指定忽略的行数或者需要跳过的行号。
  如果是一个数字，则第0行开始，忽略前面的那些行，如果是一个列表，则会忽略具体的某些行。

• na_values
  如果na_values后面跟一个列表，列表中出现的数据将会变成NaN。
  如果na_values后面跟一个字典，字典的键是列名，值是你想变成Nan的数据。

• comment
  将注释信息从行尾拆分出去的字符。（一个或多个）

• nrows
  读取的行数。（从文件开始处算起）

• thousands
  指定千位分隔符，如','。

• chunksize
  文件块的大小，在逐块读取文件时使用
  pd.read_csv('example.csv', chunksize=10)

• iterator
  返回一个TextParser以便逐块读取文件。

csv类型写入

命令：df.to_csv()
参数：

• index
  默认情况下，会将index索引一起写入，但是可以指定参数，index=False来取消写入索引。

• header
  指定为False将不会写入columns索引

• columns
  可以用columns=[]来指定写入的列。

excel类型读取

命令：pd.read_excel()
参数：

• sheet_name
  指定excel的工作表

• converters
  将单元格进行转换，可以使用函数。

excel类型写入

命令：pd.to_excel()
参数：

• sheet_name
  指定excel的工作表

• index
  为False时，则不写入index索引

• startrow
  指定从excel的第几行开始，这里指的是excel工作表第几行，而不是我们的df数据。比如，startrow=1，那么打开excel你会发现，开始的行是2。

• startcol
  同上，这里是列，比如startcol=1，那么excel将会从B列开始写。

• 将两个DataFrame写入同一个excel文件的两个不同的sheet，方法如下

with pd.ExcelWriter('Excelname.xlsx') as writer:
    df1.to_excel(writer, sheet_name='sheet1')
    df2.to_excel(writer, sheet_name='sheet2')