导入MySQL查询结果：read_sql
import pandas
con = "mysql+pymysql://user:pass@127.0.0.1/test"
sql = "SELECT * FROM `student` WHERE id = 2"
# sql查询
df1 = pandas.read_sql(sql=sql, con=con)
print(df1)导入MySQL整张表：read_sql_table
# 整张表
df2 = pandas.read_sql_table(table_name="student", con=con)
print(df2)遍历数据：items、itertuples
# 按列遍历
for key, value in df2.items():
print("Key:", key) # 列名
print("Value:", value) # 列数据
# 按行遍历
for row in df2.itertuples():
print(row) # 命名元组类型
print(row[0], row[1], row[2])
print(row.age)导出到CSV：to_csv
# 导出到csv
df2.to_csv(path_or_buf="sql_table.csv", columns=['id', 'name'])函数参数：
path_or_buf: 字符串、路径对象、file-like对象、None，默认值None。
字符串、路径对象，或实现了write()函数的file-like对象，如果为None，则结果以字符串形式返回。
sep: 字符串，默认值’,‘。分隔符，to_csv()默认分隔符为’,‘。
na_rep: 字符串，默认值’'(空字符)。缺失值表示方式。
float_format: 字符串，可调用对象，默认值None。
设置字符串格式化输出时浮点数的小数位数。如果给出一个可调用对象，他优先于其他数字格式参数。
columns: 序列，可选。要写入的列。
header: 布尔值或字符串组成的列表，默认值True。
写入列名称。如果传入一个字符串列表，则设置为列的别名。
index: 布尔值，默认值True。写入数据时会将行名称（索引）写入。
index_label: 字符串、序列、False，默认值None。
索引列的列标签（如果需要）。如果设置为None，并且header和index参数为True，则使用索引的names。如果使用MultiIndex，则应传入一个序列。如果设置为False，则不会打印索引名称的字段，使用index_label=False可在R中更方便地导入。
mode: 字符串，默认值’w’。Python写入模式，可用的写入模式与open()相同。
encoding: 字符串，可选。
表示要在输出文件中使用的编码的字符串，默认值为’utf-8’。如果path_or_buf是非二进制文件对象，则不支持encoding。
compression: 字符串或字典，默认值’infer’。用于在线压缩输出数据。
如果使用’infer’，且如果path_or_buf参数是path-like对象，则从以下扩展名中检测压缩：‘.gz’, ‘.bz2’, ‘.zip’, ‘.xz’, ‘.zst’, ‘.tar’, ‘.tar.gz’, ‘.tar.xz’或‘.tar.bz2’（否则不会进行压缩）。设置为None，表示不进行压缩。
quoting: 来自csv模块的可选常量。
默认为csv.QUOTE_MINIMAL。如果设置了float_format格式，则将float转换为字符串，csv.QUOTE_NONNUMERIC将其视为非数字格式。
quotechar: 字符串，默认值单边双引号”。长度为1的字符串，用于引用字段的字符。
lineterminator: 字符串，可选。
在输出文件中使用的换行字符或字符序列。默认为os.linesep，这取决于调用此方法的操作系统（linux为’n’，Windows为‘rn’）。
chunksize: 整数或Noen。一次写入chunksize行。
date_format: 字符串，默认值None。日期时间对象的格式字符串。
doublequote: 布尔值，默认值True。控制同一个quotechar参数引用的范围内的quoting参数。
escapechar: 字符串，默认值None。长度为1的字符串，用于避开sep参数和quotechar参数的字符。
decimal: 字符串，默认值’.‘。识别为十进制分隔符的字符串。例如，对欧洲数据使用’,’。
errors: 字符串，默认值’strict’。
指定如何处理编码和解码错误。完整的选项列表，可以参考open()的错误参数，有strict, ignore, replace, surrogateescape, xmlcharrefreplace, backslashreplace, namereplace。
storage_options: 字典，可选。
对特定存储连接（例如主机、端口、用户名、密码等）有意义的额外选项。
导出到Excel：to_excel
# 导出到Excel
df2.to_excel(excel_writer="1.xlsx", sheet_name='Sheet_name_1')函数参数：
excel_writer: path-like、file-like、ExcelWriter对象。
文件路径或已有的ExcelWriter对象。
sheet_name: 字符串，默认值’Sheet1’。
即将写入DataFrame数据的sheet页名称。
na_rep: 字符串，默认值’'(空字符)。缺失值表示方式。
float_format: 字符串，可选。
设置字符串格式化输出时浮点数的小数位数。如float_format=‘%.2f’。
columns: 字符串序列或字符串列表，可选。要写入的列。
header: 布尔值或字符串列表，默认值True。
写入列名称。如果传入一个字符串列表，则设置为列的列名。
index: 布尔值，默认值True。
写入数据时会将行名称（索引）写入。
index_label: 字符串或序列，可选。
索引列的列标签（如果需要）。如果没有设置，并且header和index参数为True，则使用索引的names。如果使用MultiIndex，则应传入一个序列。
startrow: 整数，默认值0。存储DataFrame时，设置左上方单元格的行。
startcol: 整数，默认值0。存储DataFrame时，设置左上方单元格的列。
engine: 字符串，可选。
写入时使用的引擎，openpyxl或xlsxwriter，可以通过io.excel.xlsx.writer, io.excel.xls.writer和io.excel.xlsm.write设置。
1.2.0版本后已弃用。
merge_cells: 布尔值，默认值True。
将MultiIndex和分层行写为合并单元格。
encoding: 字符串，可选。
设置写入excel文件的编码。仅xlsxwriter有必要设置此参数，其他writer本身就支持unicode。
1.5.0版本后已弃用。
inf_rep: 字符串，默认值’inf’。
无穷大的表示方式（在Excel中没有无穷大的原始表示）。
verbose: 布尔值，默认值True。
在错误日志中显示更多信息。
1.5.0版本后已弃用。
freeze_panes: 整数组成的元组，长度为2，可选。
指定要冻结单元格的最下方行和最右侧列。
storage_options: 字典，可选。
对特定存储连接（例如主机、端口、用户名、密码等）有意义的额外选项。
导出到Mysql：to_sql
# 导入Mysql另一张表
from sqlalchemy import create_engine
engine = create_engine(con, echo=False)
df2.to_sql(name="student1", con=engine, if_exists="append", index=False)导入CSV：read_csv
import pandas as pd
df = pd.read_csv('myc1.csv')
df
import pandas as pd
df = pd.read_csv('myc1.csv',header=1)
df
import pandas as pd
df = pd.read_csv('myc1.csv',header=3,names=['a','b','c','d','e'])
df
import pandas as pd
df = pd.read_csv('myc1.csv',index_col='单价')
df
import pandas as pd
df = pd.read_csv('myc1.csv',usecols=['水果名','单价'])
df函数参数：
filepath_or_buffer: 字符串、路径对象、file-like对象，必填。
任何有效的字符串路径都可以接受，字符串可以是一个URL。有效的URL格式包括http、ftp、s3和file，对于文件URL，最好有个主机地址，例如一个本地文件可以是file://localhost/path/to/table.csv这样的格式。
如果传递路径对象，则pandas接受所有os.Pathlike对象。
通过file-like对象，可以引用具有read()方法的对象，例如文件处理(如内置函数open()函数)或StringIO。
sep: 字符串，默认值’,‘。分隔符，read_csv()默认分隔符为’,’。
delimiter: 字符串，默认值None。sep的替代参数。
delim_whitespace: 布尔值，默认值False。
指定是否将空格（如’ ‘或‘t’）当作delimiter，等价于设置sep=’s+’。如果这个选项被设置为True，就不要给delimiter传参了。
header: 整数或整数组成的列表、None，默认值’infer’。
将某一行或几行设置成列名，默认’infer’，自动推导。当设置为默认值或header=0时，将首行设为列名。
如果列名（names参数）传入指定值时要设置header=0或默认值。当header=0时，传入的列名会覆盖header=0取到的列名。
header可以用整数构成的列表指定多行，这样结果的列名就是多重索引MultiIndex，例如[1, 2, 3]。
如果指定的多个行中间跳过了某些行，则读取数据时跳过的行不会读取出来。如[0, 1, 3]跳过了索引2的行，读取的数据中也没有索引2这行的数据。
注意，如果skip_blank_lines=True，此参数将忽略空行和注释行，header=0表示第一行数据而非文件的第一行。
names: array-like，可选。
指定列名的列表，如果数据文件中不包含列名，通过names指定列名，那么应该设置header=None。列名列表中不允许有重复值。
index_col: 整数、字符串、整数/字符串组成的列表，False，默认值None，可选。
设置DataFrame的行索引，可以是数字或字符串（通过列名选一列作为行索引），默认None（行索引为整数索引，False也一样）。
如果传入一个字符串列表/整数列表，则组合为MultiIndex。
usecols: list-like或可调用对象，可选。
返回指定列的数据，用list-like的方式传入，即使只取一列数据也用列表，默认None，返回所有列的数据。
列表中可以是列名或列索引（但不能两者混合），列名的列表构成所有列的一个子集，列表中的元素顺序可以忽略，usecols=[0, 1]等价于usecols=[1, 0]。
如果想实例化一个自定义列顺序的DataFrame，可以使用pd.read_csv(data, usecols=[‘foo’, ‘bar’])[[‘foo’, ‘bar’]]，这样列的顺序为[‘foo’, ‘bar’]。
usecols也可以传入函数，函数将根据列名计算，返回计算结果为True的列名，如usecols=lambda x: x.upper() in [‘AAA’, ‘BBB’, ‘DDD’]。
使用usecols可以加快解析时间并降低内存使用率。
squeeze: 布尔值，默认值False。
如果解析的数据仅包含一个列，那么结果将以Series的形式返回，默认False。
1.4.0版本后已弃用。
prefix: 字符串，可选。
当没有header时，可通过该参数为数字列名添加前缀，默认None。
1.4.0版本后已弃用。
mangle_dupe_cols: 布尔值，默认值True。
当列名有重复时，将列名解析为‘X’, ‘X.1’, …’X.N’。如果该参数为False，那么当列名中有重复时，前列会被后列覆盖。
1.5.0版本后已弃用。
dtype: 类型名，或列名和类型名组成的字典，默认值None。
指定部分列或整体数据的数据类型，如{‘a’: np.float64, ‘b’: np.int32}。
1.5.0版本新增。
engine: {‘c’, ‘python’, ‘pyarrow’}，可选。
使用的解析引擎。C引擎的速度更快，python引擎的功能更完备。多线程目前仅支持pyarrow引擎。
1.4.0版本新增。
converters: 字典，可选。
列和转换函数构成的字典，keys可以是列索引或列名，values是接收一个参数并返回已转换内容的函数。
true_values: 列表，可选。考虑为True的值。
false_values: 列表，可选。考虑为False的值。
skipinitialspace: 布尔值，默认值False。在分隔符之后跳过空格。
skiprows: list-like、整数、可调用对象，可选。
要跳过的行索引列表或文件开头要跳过的行数(int)。
可以传入可调用函数，函数将行索引作为参数传入，跳过返回计算结果为True的行，如skiprows=lambda x: x in [0, 2]。
skipfooter: 整数，默认值0。设置文件底部要忽略的行数。
nrows: 整数，默认值None。每次读取的行数，适用于读取大文件的片段。
low_memory: 布尔值，默认值True。
在处理数据时，解析时内存利用率降低，可能是混合类型推理。如果确认没有混合类型，请设置为False，或使用dtype参数指定类型。
注意，无论数据大小或迭代器参数是多少，整个文件都会被读取到单个DataFrame中。（仅C引擎有效）
memory_map: 布尔值，默认值False。
如果用filepath_or_buffer指定文件路径，可以将文件对象直接映射到内存并直接从内存访问数据。
使用此选项可以提高性能，因为不再有任何I/O开销。
na_values: 标量、字符串、list-like、字典，可选。
识别为NaN的其他字符串，指定某些值为空值。
默认情况下，以下值被解析为空值：‘’, ‘#N/A’, ‘#N/A N/A’, ‘#NA’, ‘-1.#IND’, ‘-1.#QNAN’, ‘-NaN’, ‘-nan’, ‘1.#IND’, ‘1.#QNAN’, ‘’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘n/a’, ‘nan’, ‘null’。
keep_default_na: 布尔值，默认值True。
在解析数据时是否包括默认的空值。根据是否传入na_values，分为如下四种情况：
如果keep_default_na为True，并且指定na_values，则会将na_values指定的值和默认的NaN值解析为空值。
如果keep_default_na为True，并且未指定na_values，则只将默认的NaN值解析为空值。
如果keep_default_na为False，并且指定na_values，则只将na_values指定的值解析为空值。
如果keep_default_na为False，并且未指定na_values，则不会将任何字符串解析为空值。
注意，如果na_filter传入为False，则keep_default_na和na_values参数将被忽略。
na_filter: 布尔值，默认值True。
检测缺失值（默认的NaN和na_values指定的值）。在没有NaN的数据中，设置na_filter=False可以提高读取大文件的性能。
verbose: 布尔值，默认值False。指定放在非数字列中的NaN值的数量。
skip_blank_lines: 布尔值，默认值True。
如果为True，则跳过空白行，而不是将其解析为NaN值。
parse_dates: 布尔值、数字列表、列名列表、嵌套列表、字典，默认值False。
布尔值如果为True，尝试将索引当成日期解析。
整数或列名的列表，例如[1, 2, 3]尝试将1，2，3列分别作为单独的日期列进行解析。
嵌套列表，例如[[1, 3]]将第一列和第三列合并解析为一个日期列。
字典，例如{‘foo’: [1, 3]}，将第一列和第三列解析为日期，并且合并成一列将列名重命名为foo。
如果列或索引包含不可解析的日期，则整个列或索引将作为对象数据类型返回，不会被更改。
infer_datetime_format: 布尔值，默认值False。
如果设置为True且有列启用了parse_dates，尝试推断日期格式以加快处理。
keep_date_col: 布尔值，默认值False。
如果设置为True且parse_dates指定组合多列，则保留原始列。
date_parser: 函数，可选。
用于将字符串列转换为datetime实例的函数，默认使用dateutil.parser.parser进行转换。
pandas将尝试以三种不同的方式调用date_parser，如果发生异常则前进到下一种方式：
- 将一个或多个数组(由date_parser定义)作为参数传递。
- 将date_parser定义的列中的字符串值（按行）连接起来存到一个数组中，并传递该数组。
- 使用一个或多个字符串（对应于date_parser定义的列）作为参数为每行调用一次date_parser。
dayfirst: 布尔值，默认值False。DD/MM格式日期，国际和欧洲格式。
cache_dates: 布尔值，默认值True。
如果为True，请使用已转换的唯一日期的缓存来应用日期时间转换。在分析重复日期字符串时，可能会产生显著的提速，尤其是具有失去偏移量的字符串。
iterator: 布尔值，默认值False。为get_chunk()迭代或获取数据块返回TextFileReader对象。
chunksize: 整数，默认值None。返回用于迭代的TextFileReader对象，每次读取chunksize行。
compression: 字符串或字典，默认值’infer’。
用于磁盘数据的实时解压缩。可选值：{‘infer’, ‘zip’, ‘gzip’, ‘bz2’, ‘zstd’, ‘tar’}。
如果使用’infer’，且如果filepath_or_buffer是以‘.gz’, ‘.bz2’, ‘.zip’, ‘.xz’结尾的字符串，则使用gzip、bz2、zip或xz，否则不进行解压缩。如果使用‘.zip’，则ZIP文件必须只包含一个要读取的数据文件。设置为None，表示不解压。
thousands: 字符串，可选。千分隔符。
decimal: 字符串，默认’.’。识别为小数点的字符。
float_precision: 字符串，可选。
指定C引擎浮点值使用哪个转换器。
None: 普通转换器。
high: 高精度转换器。
round_trip: 往返转换器。
lineterminator: 字符串（长度为1），可选。设置文件分行的字符，仅对C引擎有效。
quotechar: 字符串（长度为1），可选。用于表示引用项的开始和结束的字符，引用的项可以包括分隔符，他将被忽略。
quoting: 整数或csv.QUOTE_*实例，默认值0。
控制每个csv.QUOTE_*常量的字段引用行为。使用QUOTE_MINIMAL(0), QUOTE_ALL(1), QUOTE_NONNUMERIC(2)或QUOTE_NONE(3)中的一个。
doublequote: 布尔值，默认值True。
当指定quotechar并且quoting不是QUOTE_NONE时，指示是否将字段内的两个连续quotechar元素解释为单个quotechar元素。
escapechar: 字符串（长度为1），默认值None。
当quoting为QUOTE_NONE时，用于转义分隔符的一个字符串。
comment: 字符串，可选。
设置注释符号，注释掉行的其余内容。如果在一行开头匹配到该字符，则该行将被完全忽略，此参数必须为单个字符。
与空行（只要skip_blank_lines=True）一样，完全注释的行被参数header忽略，而不是被参数skiprows忽略。
例如，如果comment=‘#’，解析’#emptyna,b,cn1,2,3’且header=0，结果将’a,b,c’视为header。也就是第一行被comment注释了，header=0取到第二行。
encoding: 字符串，可选。读/写时使用UTF的编码（如’utf-8’）。
encoding_errors: 字符串，可选，默认值’strict’。如何处理编码错误。
1.3.0版本新增。
dialect: 字符串或csv.Dialect实例，可选。
如果提供，则此参数将覆盖以下参数的值: delimiter, 服务器托管网doublequote, escapechar, skipinitialspace, quotechar和quoting。
error_bad_lines: 布尔值，可选，默认值True。
字段过多（例如，带有过多逗号的csv行）的行默认会引发异常，不会返回DataFrame。如果设置为False，则这些“坏行”将从返回的DataFrame中删除。
1.3.0版本已弃用。
warn_bad_lines: 布尔值，可选，默认值True。
如果error_bad_lines为False，并且warn_bad_lines为True，则会为每个“坏行”输出一条警告。
1.3.0版本已弃用。
on_bad_lines: {‘error’, ‘warn’, ‘skip’}中的一个、可调用对象，默认值’error’。
当遇到坏行（字段太多的行）时要执行的操作。
error: 遇到坏行时抛出异常。
warn: 遇到坏行时发出警告并跳过该行。
skip：遇到坏行时跳过他们，不抛出异常和警告。
1.3.0版本新增。
storage_options: 字典，可选。
对特定存储连接（例如主机、端口、用户名、密码等）有意义的额外选项。
导入Excel：read_excel
import pandas
df = pandas.read_excel("1.xlsx", index_col=0, header=0)
print(df)函数参数：
io: 字符串、字节、ExcelFile、xlrd.Book、路径对象或file-like对象。
任何有效的字符串路径都可以接受，字符串可以是一个URL，有效的URL格式包括http、ftp、s3和file，对于文件URL，最好有个主机地址，例如一个本地文件可以是file://localhost/path/to/table.xlsx这样的格式。
如果传递的是路径对象，则Pandas接受所有os.Pathlike对象。
通过file-like对象，可以引用具有read()方法的对象，例如文件处理(如内置函数open()函数)或StringIO。
sheet_name: 字符串、整数、列表、None，默认值0。
字符串用表格(sheet页)名称。整数用从0开始的表格索引（图表chart sheet不计算）。字符串/整数的列表用于获取多张表格。设置为None可获取所有表格(sh服务器托管网eet页)。
示例：
0(默认): 将第一个sheet页读为一个DataFrame。
1: 将第二个sheet页读为一个DataFrame。
‘Sheet1’: 将名称为Sheet1的sheet页读为一个DataFrame。
None: 将所有sheet页读为一个DataFrame组成的字典。
header: 整数或整数组成的列表，默认值0。
用作DataFrame的列名的行（通过0开始的行索引选一行），如果用整数列表指定多个行，则组合为MultiIndex。如果没有header，则设置为None。
names: array-like，默认值None。
指定列名的列表，如果数据文件中不包含列名，通过names指定列名，同时应该设置header=None。names中不允许有重复值。
indexl_col: 整数或整数组成的列表，默认值None。
设置DataFrame的行索引（通过0开始的列索引选一列），如果用整数列表指定多个列，则组合为MultiIndex。如果没有用作行索引的列，则设置为None。如果使用usecols选择了数据的子集，则indexl_col将基于这个子集。
usecols: 字符串、list-like、可调用对象，默认值None。
None: 解析所有列。
字符串：解析以逗号分隔的Excel列字母和列范围。例如“A:E”或“A,C,E:F”，E:F这种范围包括两端的列。
整数列表：解析列表中索引编号的列。
字符串列表：解析列表中指定列名的列。
可调用对象：根据可调用对象（如函数）判断每个列名，如果返回True，则解析该列。
使用usecols可以大大加快解析时间并降低内存使用率。
squeeze: 布尔值，默认值False。
如果解析的数据仅包含一个列，那么结果将以Series的形式返回。
1.4.0版本后已弃用。
dtype: 类型名，或列名和类型名组成的字典，默认值None。
指定部分列或整体数据的数据类型，如{‘a’: np.float64, ‘b’: np.int32}。
engine: 字符串，默认值None。
支持的引擎：xlrd, openpyxl, odf, pyxlsb。
xlrd: 支持旧式Excel文件(.xls扩展名)。
openpyxl: 支持最新的Excel文件格式(.xlsx)。
odf: 支持OpenDocument文件格式(.odf, .ods, .odt)。
pyxlsb: 支持二进制excel文件。
converters: 字典，默认值None。
列和转换函数构成的字典，keys可以是列索引或列名，values是接收一个参数（Excel单元格内容）并返回已转换内容的函数。
true_values: 列表，默认值None。考虑为True的值。
false_values: 列表，默认值None。考虑为False的值。
skiprows: list-like、整数、可调用对象，可选。
要跳过的行索引列表或文件开头要跳过的行数(int)。
可以传入可调用函数，函数将行索引作为参数传入，跳过返回计算结果为True的行，如skiprows=lambda x: x in [0, 2]。
nrows: 整数，默认值None。每次读取的行数，适用于读取大文件的片段。
na_values: 标量、字符串、list-like、字典，默认值None。
识别为NaN的其他字符串，指定某些值为空值。
默认情况下，以下值被解析为空值：‘’, ‘#N/A’, ‘#N/A N/A’, ‘#NA’, ‘-1.#IND’, ‘-1.#QNAN’, ‘-NaN’, ‘-nan’, ‘1.#IND’, ‘1.#QNAN’, ‘’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘n/a’, ‘nan’, ‘null’。
keep_default_na: 布尔值，默认值True。
在解析数据时是否包括默认的空值。根据是否传入na_values，分为如下四种情况：
如果keep_default_na为True，并且指定na_values，则会将na_values指定的值和默认的NaN值解析为空值。
如果keep_default_na为True，并且未指定na_values，则只将默认的NaN值解析为空值。
如果keep_default_na为False，并且指定na_values，则只将na_values指定的值解析为空值。
如果keep_default_na为False，并且未指定na_values，则不会将任何字符串解析为空值。
注意，如果na_filter传入为False，则keep_default_na和na_values参数将被忽略。
na_filter: 布尔值，默认值True。
检测缺失值（默认的NaN和na_values指定的值）。在没有NaN的数据中，设置na_filter=False可以提高读取大文件的性能。
verbose: 布尔值，默认值False。指定放在非数字列中的NaN值的数量。
parse_dates: 布尔值、list-like、字典，默认值False。
布尔值如果为True，尝试将索引当成日期解析。
整数或列名的列表，例如[1, 2, 3]尝试将1，2，3列分别作为单独的日期列进行解析。
嵌套列表，例如[[1, 3]]将第一列和第三列合并解析为一个日期列。
字典，例如{‘foo’: [1, 3]}，将第一列和第三列解析为日期，并且合并成一列将列名重命名为foo。
如果列或索引包含不可解析的日期，则整个列或索引将作为对象数据类型返回，不会被更改。
如果不希望将某些单元格解析为日期，只需将它们在Excel中的类型修改为“文本”。
对于非标准的datetime解析，在pd.read_excel之后使用pd.to_datetime。
date_parser: 函数，可选。
用于将字符串列转换为datetime实例的函数，默认使用dateutil.parser.parser进行转换。
pandas将尝试以三种不同的方式调用date_parser，如果发生异常则前进到下一种方式：
- 将一个或多个数组(由date_parser定义)作为参数传递。
- 将date_parser定义的列中的字符串值（按行）连接起来存到一个数组中，并传递该数组。
- 使用一个或多个字符串（对应于date_parser定义的列）作为参数为每行调用一次date_parser。
thousands: 字符串，默认值None。
千分位符。注意，此参数仅对Excel中存储为TEXT的列必须，其他任何数值列都会自动解析，无论显示格式如何。
decimal: 字符串，默认’.’。
识别为小数点的字符。注意，此参数仅对Excel中存储为TEXT的列必须，其他任何数值列都会自动解析，无论显示格式如何。
comment: 字符串，默认值None。
设置注释符号，注释掉行的其余内容。将一个或多个字符串传递给此参数以在输入文件中指示注释。注释字符串与当前行结尾之间的任何数据都将被忽略。
skipfooter: 整数，默认值0。设置文件底部要忽略的行数。
convert_float: 布尔值，默认值True。
将浮点整数转换为整数（如1.0 -> 1）。如果为False，则所有数字数据将被读取为浮点数，Excel将所有数字存储为内部浮点数。
1.3.0版本后已弃用。
mangle_dupe_cols: 布尔值，默认值True。
当列名有重复时，将列名解析为‘X’, ‘X.1’, …’X.N’。如果该参数为False，那么当列名中有重复时，前列会被后列覆盖。
1.5.0版本后已弃用。
storage_options: 字典，可选。
对特定存储连接（例如主机、端口、用户名、密码等）有意义的额外选项。
导入JSON：read_json
read_json()
函数参数：
path_or_buf: 一个有效的JSON字符串、路径对象、file-like对象。
任何有效的字符串路径都可以接受，字符串可以是一个URL。有效的URL格式包括http、ftp、s3和file，对于文件URL，最好有个主机地址，例如一个本地文件可以是file://localhost/path/to/table.json这样的格式。
如果传递路径对象，则pandas接受所有os.Pathlike对象。
通过file-like对象，可以引用具有read()方法的对象，例如文件处理(如内置函数open()函数)或StringIO。
typ: {‘frame’, ‘series’}，默认值frame。要恢复的对象类型。
orient: 期望的JSON字符串格式。兼容的JSON字符串可以由to_json()生成。并具有相应的orient值。
split: 类似于{index -> [index], columns -> [columns], data -> [values]}的字典。
records: 类似于[{column -> value}, … , {column -> value}]的列表。
index: 类似于{index -> {column -> value}}的字典。
columns: 类似于{column -> {index -> value}}的字典。
values: 仅为值的数组。
table: 类似于{‘schema’: {schema}, ‘data’: {data}}的字典。
typ == ‘series’: 默认为index，允许的值为{‘split’,‘records’,‘index’}，Series的索引在orient为index时必须是唯一的。
typ == ‘frame’: 默认为columns，允许的值为{‘split’,‘records’,‘index’, ‘columns’,‘values’, ‘table’}，DataFrame的索引在orient为index和columns时必须是唯一的，DataFrame的列名在orient为index、columns和records时必须是唯一的。
dtype: 布尔值、字典，默认值None。
如果为True，推断dtypes，如果为列和dtype组成的字典，则使用字典中的dtype。如果为False，则不推断dtypes，仅适用于数据。
对于除table之外的所有orient参数，默认值为True。
convert_axes: 布尔值，默认值None。
尝试将列转换为正确的dtypes。对于除table之外的所有orient参数，默认值为True。
convert_dates: 布尔值或字符串列表，默认值True。
如果为True，则可以转换默认日期格式的列（取决于keep_default_dates参数），如果为False，则不会转换日期。
如果是一个列名组成的列表，则将转换这些列，并且也可以转换默认日期格式的列（取决于keep_default_dates参数）。
keep_default_dates: 布尔值，默认值True。
如果解析日期（convert_dates不是False），则尝试解析默认的日期格式列。列标签属于日期格式的列为：以’_at’结尾、以’_time’结尾、以’timestamp’开头、列名为’modified’或’date’。
numpy: 布尔值，默认值False。
直接解析为numpy数组。虽然column和index标签可能是非数字的，但仅支持数字数据。
注意，如果numpy=True，则每个组的JSON顺序必须相同。
1.0.0版本后已弃用。
precise_float: 布尔值，默认值False。
当解码字符串为双精度类型值时，设置为能使用更高精度（strtod）函数。默认（False）使用快速但不精确的内置功能。
date_unit: 字符串，默认值None。
用于检测转换日期的时间戳单位。默认情况下，尝试并检测正确的精度，如果不满足期望，则传递‘s’, ‘ms’, ‘us’或‘ns’中的一个，以强制设置时间戳精度分别为秒、毫秒、微秒或纳秒。
encoding: 字符串，默认值’utf-8’。用于解码python3字节的编码。
encoding_errors: 字符串，默认值’strict’。
指定如何处理编码错误。完整的选项列表，可以参考open()的错误参数，有strict, ignore, replace, surrogateescape, xmlcharrefreplace, backslashreplace, namereplace。
1.3.0版本新增。
lines: 布尔值，默认值False。读取文件每行作为一个JSON对象。
chunksize: 整数，可选。
与lines=True结合使用，返回一个JSON读取器（JsonReader），每次迭代读取chunksize行。如果为None，则文件将一次性全部读入内存。
compression: 字符串或字典，默认值’infer’。
用于磁盘数据的实时解压缩。如果使用’infer’，且如果path_or_buf参数是path-like对象，则从以下扩展名中检测压缩：‘.gz’, ‘.bz2’, ‘.zip’, ‘.xz’, ‘.zst’, ‘.tar’, ‘.tar.gz’, ‘.tar.xz’或‘.tar.bz2’（否则不会进行压缩）。如果使用’zip’或‘tar’，则ZIP文件必须只包含一个要读取的数据文件。设置为None，表示不进行压缩。
nrows: 整数，可选。
每次从jsonfile中读取的行数。仅当lines参数为True时才能生效。如果为None，则返回所有行。
storage_options: 字典，可选。
对特定存储连接（例如主机、端口、用户名、密码等）有意义的额外选项。
导出JSON：to_json
DataFrame.to_json()
函数参数：
path_or_buf: 字符串、路径对象、file-like对象、None，默认值None。
字符串、路径对象，或实现了write()函数的file-like对象，如果为None，则结果返回一个JSON字符串。
orient: 字符串。期望的JSON字符串格式。
Series: 默认为index，允许的值为{‘split’, ‘records’, ‘index’, ‘table’}。
DataFrame: 默认为columns，允许的值为{‘split’, ‘records’, ‘index’, ‘columns’, ‘values’, ‘table’}。
split: 类似于{index -> [index], columns -> [columns], data -> [values]}的字典。
records: 类似于[{column -> value}, … , {column -> value}]的列表。
index: 类似于{index -> {column -> value}}的字典。
columns: 类似于{column -> {index -> value}}的字典。
values: 仅为值的数组。
table: 类似于{‘schema’: {schema}, ‘data’: {data}}的字典。
date_format: 字符串，{None, ‘epoch’, ‘iso’}。
日期类型的转换。epoch是时间戳，iso是ISO8601标准。
默认值取决于orient参数，对于orient=‘table’，默认值为iso，对于其他的orient值，默认值为epoch。
double_precision: 整数，默认值10。对浮点值进行编码时使用的小数位数。
force_ascii: 布尔值，默认值True。强制设置编码字符串为ASCI。
date_unit: 字符串，默认值’ms’(milliseconds，毫秒)。
编码的时间单位，管理时间戳和ISO8601的精度，可选‘s’, ‘ms’, ‘us’, ‘ns’中的一个，分布表示秒、毫秒、微秒和纳秒。
default_handler: 可调用对象，默认值None。
如果一个对象没有转换成一个恰当的JSON格式，处理程序就会被调用。采用单个参数（即要转换的对象），并返回一个序列化的对象。
lines: 布尔值，默认值False。
如果orient参数为records，则将每行写入记录为json，orient参数是其他格式，将抛出ValueError异常，因为其他格式不是list-like。
compression: 字符串或字典，默认值’infer’。用于在线压缩输出数据。
如果使用’infer’，且如果path_or_buf参数是path-like对象，则从以下扩展名中检测压缩：‘.gz’, ‘.bz2’, ‘.zip’, ‘.xz’, ‘.zst’, ‘.tar’, ‘.tar.gz’, ‘.tar.xz’或‘.tar.bz2’（否则不会进行压缩）。设置为None，表示不进行压缩。
index: 布尔值，默认值True。
是否在JSON字符串中包含索引值。仅当orient为split或table时，才支持不包含索引（index=False）。
indent: 整数，可选。用于缩进每条记录的空格长度。
storage_options: 字典，可选。
对特定存储连接（例如主机、端口、用户名、密码等）有意义的额外选项。
参考
https://pandas.pydata.org/docs/reference/io.html
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net
相关推荐: 聚焦用户隐私安全，华为助力APP开发者守护个人信息安全
近年来，以手机为载体的移动应用渗透到日常生活的方方面面，不断重塑“掌上新生活”。而伴随移动应用的爆发式增长，恶意扣费、短信诈骗、信息窃取等对用户信息安全隐私的挑战也日渐严峻。当移动应用已成为个人信息保护的关键领域，如何才能打造更安全更值得信赖的应用环境迫在眉睫…
