A. 如何从postgresq获取数据到pandas(不通过pandas 的 tosql函数)
直接用pandas读取PostgreSQL数据不行吗
from sqlalchemy import create_engine
engine = create_engine('postgresql://user@localhost:5432/mydb')
df = pd.read_sql_query('select * from "Stat_Table"',con=engine)
B. sqlquery怎么打开
1、首先安中基装sqlquery，进入主界面。
2、其次选择安装地址，等待卖州谨安装。
3、最后在安装完毕迹桐，双击即可打开sqlquery。
C. SQL 语句里出现QUERY 是什么意思，具体见下边语句
QUERY是一州此个字段，在表tb_users或tb_userinfo_stat中，这里用来腊迹袜设置轮激一个WHERE条件。
D. python执行sql，并保存到excel，很慢
你在服务器上直接查询，只是读取一次数据到内存中。
你现在的代码，首先要从数据库读出，然后要写入df，df可以看做一个内存数据库，写入需要做一些相关的处理，例如索引之类的。
然后又要从df读出，再写入excel,这个步骤是写入磁盘，也是花费时间最多的。
E. Pandas只提供了读取什么文件的函数
Pandas 提供了一系列函数，用于读取不同类型的文件。下搏枯面列出了 Pandas 中常用的读取文件的函数：
read_csv()：读取 CSV 格式的文件。
read_excel()：读取 Excel 格式的文件。
read_hdf()：读取 HDF5 格式的文件。
read_json()：读取 JSON 格式的文件。
read_pickle()：读取 Python 序迅凯列化格式的文件（即 pickle 文件）。
read_sql()：从数据库中读取数据。
这些函数都可以在 Pandas 的文档中找到详细的使用方法：https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html
此外，Pandas 还支持使用 Python 内置的 open() 函数读取文本文件，使用 pd.read_table() 函数读取表格式的文件，使用 pd.read_clipboard() 函数读取剪贴板中的数据等亩银唤。
希望这些信息能帮助你。如果你有其他问题，请随时追问。
F. pandas透视之后如何表头很奇怪
网络知道
pandas透视之后如何表头很奇怪
司徒为0f1
贡献了超过424个回答
关注
成为第1位粉丝
1、修改表头（columns）1、修改所有列列名如：a，b修改为A、B。df.columns = ['A','B']print(df)结果：A B0 1 11 2 22、只修改指定列列名如：a修改为Adf.rename(columns={'a':'A'},inplace=True)print(df)1212结果A b0 1 11 2 22 3 31其他df：任意的Pandas DataFrame对象s：任意的Pandas Series对象raw：行标签col：列标签导入依赖郑配包：import pandas as pdimport numpy as np12121、导入数据pd.read_csv(filename_path)：从CSV文件导入数据pd.read_table(filename_path)：从限定分隔符的文本文件导入数据pd.read_excel(filename_path)：从Excel文件导入数据pd.read_sql(query, connection_object)：从SQL表/库导入数据pd.read_json(json_string)：从JSON格式的字符串导入数据pd.read_html(url)：解析URL、字符串或桐丛升者HTML文件，抽取其中的tables表格pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据2、导出数据df.to_csv(filename_path)：导出数据到CSV文件df.to_excel(filename_path)：导出数据到Excel文件df.to_sql(table_name, connection_object)：导出数据到SQL表df.to_json(filename_path)：以Json格式导出数据到文本文件3、创建测试数据pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象pd.Series(my_list)：从可迭代对象my_list创建一个Series对象df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引4、查看、检查数据df.head(n)：查看DataFrame对象的前n行（不加参数，默认前10行）df.tail(n)：查看DataFrame对象的最后n行（不加参数，默认后10行）df.shape()：查看行数和列数（维度查看）df.info()：查看索引、数据类型和内存信息df.describe()：查看数值型列的汇总统计s.value_counts(dropna=False)：查看Series对象的唯一值和计数df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数df.dtypes：查看每一列的数据类型（扩展：df['two'].dtypes，查看“two”列的类型）df.isnull()：查看空置(注：空置部分会用true显示，不是空置False显示)（扩展：df['two'].isnull，查看“two”这一列的空置）df.values：查看数据表的值df.column5、数据选取(具体使用见https://www.cnblogs.com/luckyplj/p/13274662.html)df.isin([5])：判断全部数据值中是否有5df[col].isin([5])：判断列col中是否有5df[col]：根据列名，并以Series的形式返回列df[[col1, col2]]：以DataFrame形式返回多列s.iloc[0]：按位置选取行数据s.loc['index_one']：按索引选取行数据df.loc[:,'reviews'] 获取指定列的数据 注意： 第一个参数为：表示所有行，第2个参数为列名，设置获取列名为review的数据df.loc[[0,2],['customername','reviews','review_fenci']] 选择指局老定的多行多列 参数说明： [0,2] 这个列表有两个元素0,2表示选择第0行和第2行['customername','reviews','review_fenci']这个列表有3个元素表示选择列名为'customername','reviews','review_fenci‘的这3列df.iloc[0,:]：返回第一行df.iloc[0,0]：返回第一行的第一个元素df.ix[0] 或 df.ix[raw] ：ix函数可以根据行位置或行标签选择行数据注：loc函数根据行/列标签(用户自定义的行名、列名)进行行选择；iloc函数根据行/列位置(默认的行列索引)进行行选择；6、数据清理df.columns = ['a','b','c']：重命名列名pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组df.dropna()：删除所有包含空值的行df.dropna(axis=1)：删除所有包含空值的列df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行df.fillna(x)：用x替换DataFrame对象中所有的空值（注：fillna()会填充nan数据，返回填充后的结果。如果希望在原DataFrame中修改，则把inplace设置为True。如，df.fillna(0,inplace=True)）mydf['列名']=mydf['列名'].fillna(0) 某一列的空值补零s.astype(float)：将Series中的数据类型更改为float类型df[col].astype(float)：将DataFrame某列数据类型改为float类型s.replace(1,'first')：用‘first’代替所有等于1的值（替换的是值，不是列名也不是索引名）s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3df[col].replace(1,1.0,inplace=True)：列col中的值1用1.0替换df.replace([1,3],['one','three'])df.rename(columns=lambda x: x + 1)：批量更改列名df.rename(columns={'old_name': 'new_ name'})：选择性更改列名df.set_index('column_one')：将column_one这一列变为索引列df.rename(index=lambda x: x + 1)：批量重命名索引df[col]=df[col].str.upper()或df[col].str.lower()：基于列的大小写转换df[col]=df[col].map(str.strip)：清除某列的空格df.drop_plicates(subset=col,keep='fisrt',inplace=Flase)注：这个drop_plicate方法是对DataFrame格式的数据，去除特定列下面的重复行。返回DataFrame格式的数据。subset : column label or sequence of labels, optional 用来指定特定的列，默认所有列keep : {‘first’, ‘last’, False}, default ‘first’ 删除重复项并保留第一次出现的项inplace : boolean, default False 是直接在原来数据上修改还是保留一个副本7、数据处理df[df[col] > 0.5]：选择col列的值大于0.5的行df.sort_values(col1)：按照列col1排序数据，默认升序排列df.sort_values(col2, ascending=False)：按照列col1降序排列数据df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据df.groupby(col)：返回一个按列col进行分组的Groupby对象df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值data.apply(np.mean)：对DataFrame中的每一列应用函数np.meandata.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.maxdf.isin8、数据合并df1.append(df2)：将df2中的行添加到df1的尾部df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join9、数据统计
G. sql server 怎么使用query方法
使用数据库接口工具ODBC以及查询工具Microsoft Query读取数据库的表结构。
结果： 使用Microsoft Query读取数据库的表结构，对于非计算机专业人员而言，清除了数据挖掘的入门障碍。
结论：Microsoft Query读取数据库表结构，使用简单，功能强大，是数据挖掘的好工具。
H. createSQLQuery查询数据，只返回一条数据，query.list()为null，数据库有数据，这是为什么
你把sql语句放到数据库执行下 看下有多少条数据满足 是不是条件或者权限过滤过滤掉了
I. 数据库间如何自动拿数据
详情如下：
1、连接数据库，不同数据库python有对应的第三方库，用账号密码ip地址直接连接。
2、执行sql语句，可以用pandas里面的read_sql_query，也可以用数据库第三方库的fetchall。
3、获取结果，read_sql_query直接出来带列名的DataFrame，但fetchall这种还要另外处理成DataFrame，还有其他数据处理的，在这一步加上就是了。
4、保存结果，pandas里面有一个to_pickle的函数，可以把数据序列化保存在本地文件，需要用到的时候再read_pickle反序列拿出来用，比不停地执行sql要方便。
5、将以上四步所有的操作代码封装成函数，作为scheler的其中一个作业，设置执行周期和执行时间，到点就会自动获取数据保存在本地文件了