读写数据库
大多数情况下，海量的数据是使用数据库进行数据库进行存储的，这主要是依赖于数据库的数据结构化、数据共享性、独立性等特点。因此，在实际生产环境中，绝大多数的数据都是存储在数据库中。pandas支持、Oracle、SQLite等主流数据库的读写操作。
为了高效地对数据库中的数据进行读取，这里需要引入SQLAlchemy。SQLAlchemy是使用/ target=_blank class=infotextkey>Python编写的一款开源软件，它提供的SQL工具包和对象映像工具能够高效地访问数据库。在使用SQLAlchemy时需要使用相应的连接工具包，比如MySQL需要安装mysqlconnector，Oracle则需要安装cx_oracle。
这里简单介绍几种安装mysqlconnector的方法
1. pip install mysql-connector
2. conda install mysql-connector
#注意如果都安装不成功，可能是python环境或anaconda环境配置没配好，可以试试重新安装软件或者配置文件
pandas.io.sql模块常用的函数
1. read_sql_table() : 将读取的整张数据表的数据转换成DataFrame对象
2. read_sql_query() ：将SQL语句读取的结果转换成DataFrame对象
3. read_sql() ：上述两个函数的结合，既可以读数据表也可以读SQL语句
4. to_sql()：将数据写入到SQL数据库中
一、使用read_sql()函数读取数据
read_sql() 函数既可以读取整张数据表，又可以执行SQL语句，其语法格式如下：pandas.read_sql(sql，con，index_col=None，coerce_float=True，parmes=None，parse_dates=None，columns=None，chunksize=None）
常用参数的含义如下：
- sql：表示被执行的SQL语句
- con：接收数据库连接，表示数据库的连接信息
- index_col：默认为None，如果传入一个列表，则表示为层次化索引
- coerce_float：将非法字符串、非数字对象的值转换为浮点数类型
- params：传递给执行方法的参数列表，如params={'name':'values'}
- columns：接收list表示读取数据的列名，默认为None
接下来，通过一个例子来演示如何使用read_sql()函数读取数据库中的数据表：
#上述中，首先导入了sqlalchemy模块，通过create_engine（）函数创建连接数据库的信息，然后调用read_sql（）函数读取数据库的student数据表，并转换成DataFrame对象
#在使用create_engine（）函数创建连接时，格式为："数据库类型+数据库驱动名称：//用户名：密码@机器地址：端口号/数据库名"
read_sql（）函数执行sql语句时的例子：
二 、使用to_sql（）方法将数据写入数据库中
to_sql()方法的功能是将Series和DataFrame对象以数据表的形式写入数据库中，语法为：to_sql（name，con，schema=None，if_exists=‘fail’，index=True，index_label=None，chunksize=None，dtype=None）
- name：表示数据库的名称
- con：表示数据库的连接信息
- if_exists：可以取值为fail、replace或end，默认为fail
每个取值代表的含义如下：
fail：如果表存在，则不执行写入操作
replace ：如果表存在，则将源数据表删除再重新创建
append：如果表存在，那么在原数据库表的基础上追加数据
- index：表示是否将DataFrame行索引作为数据传入数据库，默认为True
- index_label：表示是否引用索引名称。如果index设为True，此参数为None，则使用默认名称；如果index为层次化索引，则使用序列类型
接下来，通过一个例子来演示如何使用to_sql()函数将DataFrame对象写入到名称为students数据表中：
#在使用to_sql（）方法写入数据库时，如果写入的数据表名与数据库中其他的数据表名相同时，则返回该数据表已存在的错误
