【Python 数据科学】连接数据库

文章目录

一、安装pymysql包
二、读取数据库
- 1、直接连接：.connect()——.cursor()——.execute()——.fetchall()——.close()
- 2、pandas+pymysql：.read_sql
三、写入数据库
四、新表整理

相关阅读：https://blog.csdn.net/weixin_40844116/article/details/85260796

一、安装pymysql包

Cmd命令窗口输入：pip install pymysql，根据提示选择是否更新

如果之前有2版本

二、读取数据库

1、直接连接：.connect()——.cursor()——.execute()——.fetchall()——.close()

Step1:导入pymysql包

import pymysql

Step2:新建连接.connect()

host – 127.0.0.1或者localhost
uesr和password – 设置数据库是使用的用户名和密码
db – 要连接的数据库
port – 默认3306
charset – 使用数据库时设置的编码格式

conn=pymysql.connect(host='localhost',user='root',password='123456',db='data',port=3306,charset='utf8')

Step3:获得游标.cursor()

cur=conn.cursor()

Step4:游标执行sql语句.execute()
注意：每次查询更改，从这一步开始往下都要重新执行一遍

>>>cur.execute("select * from company")
2296#返回数据行数

Step5:获取所有数据.fetchall()，获得一个元组

data=cur.fetchall()

>>>type(data)
tuple

data

Step6:使用数据库

#逐一读取该元组里面的数据
for d in data:print(d)

#逐一读取该元组里面的数据,切片
for d in data:print(d[0],d[1])

Step7:关闭游标cur.close()、关闭连接conn.close()，如果对数据库进行实质操作，需要提交conn.commit()

cur.close()
#conn.commit()
conn.close()

2、pandas+pymysql：.read_sql

Step1:导包
导入 pymysql 、pandas包
再从’sql魔法盒‘（sqlalchemy）导入“制造引擎”（create_engine）
#如果直接import sqlalchemy ，则之后使用create_engine的时候前面加sqlalchemy.

import pymysql
import pandas as pd
from sqlalchemy import create_engine

Step2：准备一个sql和一个con
格式： mysql+pymysql://帐户名：密码@主机地址：端口/数据库名？charset=编码格式
注意：以前的pandas版本con可以直接使用pymysql.connect()的方式创建，新版本不能(之前的conn可能不能用)

sql="select * from company where companyShortName='聚美优品'"
#格式 mysql+pymysql://帐户名：密码@主机地址：端口/数据库名？charset=编码格式
con=create_engine('mysql+pymysql://root:123456@localhost:3306/data?charset=utf8')

Step3：使用pandas读取sql的方法.read_sql,获得一个数据框dataFrame

df=pd.read_sql(sql,con)

三、写入数据库

#Step 1:导包

import pymysql
import pandas as pd
from sqlalchemy import create_engine

#Step2:读表（可以读取单个表或者多个表，再把多表用merge等连接成新表）
方法1,定义sql语句执行的函数

def reader(sql#,db,char#):#{0}、{1}等代替参数，最后.format(参1，参2.。。)#con=create_engine('mysql+pymysql://root:123456@localhost:3306/{0}?charset={1}'.format(db，char))con=create_engine('mysql+pymysql://root:123456@localhost:3306/data?charset=utf8')df=pd.read_sql(sql,con)return df

df_company=reader('select * from company')
df_company

方法2:直接.read_sql将要的表读出来

sql='select * from dataanalyst'
con=con=create_engine('mysql+pymysql://root:123456@localhost:3306/data?charset=utf8')
df_dataanalyst=pd.read_sql(sql,con)
df_dataanalyst

Step3:将读出来的表进行操作形成新表

#连接两张表
m=pd.merge(df_dataanalyst,df_company,on='companyId')
#reset_index()是将series转换成dataframe
result=m.groupby(['city','companyShortName']).count()['positionId'].reset_index()
result.head()

Step4:将新表写入数据库 to_sql

#if_exists='append'如果表存在就在后面追加，如果不存在就新建
#index=False 不将索引作为字段写入
result.to_sql(name='newtabel',con='mysql+pymysql://root:123456@localhost:3306/data?charset=utf8',if_exists='append',index=False)

数据库中就生成了新表

四、新表整理

由于用python生成的新表格式与传统建立的表不同，因此，需要我们整理该表，整理的方法是再去建一个表2，将里面的字段填写完整，字段类型选择合适的
原表

新表

重新执行.to_sql语句，将name改成已经建立好的表名

此时新表的内容已经被写入，并且按照之前建立的格式

注意：append重复执行导致重复插入
Index=True会报错，因为新表没有给index预留位置，相反，如果插入的数据字段比表少，则未写入的字段在表中自动为空
如果想把表写成csv格式，在.to_sql改成.to_csv，将表名的后缀.csv