本文Python 操作 MySQL 数据库需要是使用到 PyMySQL 驱动
创新互联建站专注为客户提供全方位的互联网综合服务，包含不限于网站制作、成都做网站、凤城网络推广、微信小程序定制开发、凤城网络营销、凤城企业策划、凤城品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等，从售前售中售后，我们都将竭诚为您服务，您的肯定，是我们最大的嘉奖；创新互联建站为所有大学生创业者提供凤城建站搭建服务，24小时服务热线：18980820575，官方网址：www.cdcxhl.com
Python 操作 MySQL 前提是要安装好 MySQL 数据库并能正常连接使用，安装步骤详见下文。
注意： 安装过程我们需要通过开启管理员权限来安装，否则会由于权限不足导致无法安装。
首先需要先下载 MySQL 安装包， 官网下载地址 下载对应版本即可,或直接在网上拉取并安装：
权限设置：
初始化 MySQL：
启动 MySQL：
查看 MySQL 运行状态：
Mysql安装成功后，默认的root用户密码为空，你可以使用以下命令来创建root用户的密码：
登陆：
创建数据库：
查看数据库：
PyMySQL 模块使用 pip命令进行安装：
假如系统不支持 pip 命令，可以使用以下方式安装：
pymysql .connect 函数：连接上数据库
输出结果显示如下：表面数据库连接成功
使用 pymysql 的 connect() 方法连接数据库，connect 参数解释如下：
conn.cursor():获取游标
如果要操作数据库，光连接数据是不够的，咱们必须拿到操作数据库的游标，才能进行后续的操作，游标的主要作用是用来接收数据库操作后的返回结果，比如读取数据、添加数据。通过获取到的数据库连接实例 conn 下的 cursor() 方法来创建游标，实例如下：
输出结果为：
cursor 返回一个游标实例对象，其中包含了很多操作数据的方法，如执行sql语句，sql 执行命令： execute() 和 executemany()
execute(query,args=None):
executemany(query,args=None)：
其他游标对象如下表：
完整数据库连接操作实例如下：
以上结果输出为：
创建表代码如下：
如下所示数据库表创建成功：
插入数据实现代码：
插入数据结果：
Python查询Mysql使用 fetchone() 方法获取单条数据, 使用fetchall() 方法获取多条数据。
查询数据代码如下：
输出结果：
DB API中定义了一些数据库操作的错误及异常，下表列出了这些错误和异常:
本文给大家介绍 Python 如何连接 Mysql 进行数据的增删改查操作，文章通过简洁的代码方式进行示例演示，给使用 Python 操作 Mysql 的工程师提供支撑。
join主要用于基于索引的横向合并拼接；
merge主要用于基于指定列的横向合并拼接；
concat可用于横向和纵向合并拼接；
append主要用于纵向追加；
combine可以通过使用函数，把两个DataFrame按列进行组合。
join
join是基于索引的横向拼接，如果索引一致，直接横向拼接。如果索引不一致，则会用Nan值填充merge是基于指定列的横向拼接，该函数类似于关系型数据库的连接方式，可以根据一个或多个键将不同的DatFrame连接起来。该函数的典型应用场景是，针对同一个主键存在两张不同字段的表，根据主键整合到一张表里面。
可以指定不同的how参数，表示连接方式，有inner内连、left左连、right右连、outer全连，默认为inner;
使用pymysql数据库访问MySQL数据库可分为以下步骤：
（1） 创建一个连接。创建一个连接对象，通过connect（）方法连接到数据库。
（2） 获取光标。通过连接对象的cursor（）方法创建一个cursor对象。
（3） 执行SQL语句。通过游标对象的Execute（）、fetchone（）或fetchall（）方法执行SQL语句，实现基本的数据库操作，包括数据添加、更新、删除、查询等。
（4） 关闭光标。通过游标对象的Close（）方法关闭游标。
（5） 关闭连接。通过connection对象的Close（）方法关闭连接。Python视频教程+笔记+源代码+Q:498913868。
file1_path ='E:/Users/lenovo/Desktop/中视/622召回.csv' # 源数据
格式：file1=pd.read_csv(file1_path)
pd.read_csv(file1_path,encoding='gbk')
pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])
pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)
pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)
new=pd.DataFrame()
new.new[[0,1,2]]
new.new[0:2]
查询结果同上
new.loc[new['激活数']1000]
loc和iloc的区别：
loc：纯标签筛选
iloc：纯数字筛选
#筛选出new的某两列
new=new.loc[:,['phone','收件人姓名']]
#筛选new的第0，1列
new.iloc[:,[0,1]]
使用‘==’筛选-筛查“崔旭”的人（只能筛查指定明确的）
#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]
#print(new)
#使用loc函数筛选-str.contains函数-筛查名字中包含'亮'和'海'的人
#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]
#print(new)
#使用loc函数筛选-str.contains函数-筛查'崔'姓的人
#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]
#print(new)
df = df[(df['DEPOSIT_PAY_TIME_x'] .notnull() ) (df['DEPOSIT_PAY_TIME_x'] != "" )]
print("during_time(number)=0的个数：",newdata[newdata['during_time(number)'] ==0].count()['during_time(number)'])
print("during_time(number)=1,2,3的个数：",newdata[(newdata['during_time(number)'] 0) (newdata['during_time(number)'] 4)].count()['during_time(number)'])
print(newdata[newdata['during_time(number)'] ==0])
newdata[newdata['Team']. isin (['England','Italy','Russia'])][['Team','Shooting Accuracy']]
df.年龄.value_counts()
1.修改指定位置数据的值（修改第0行，’创建订单数‘列的值为3836）
new.loc[0,'创建订单数']=3836
2.替换‘小明’-‘xiaoming’
df.replace({'name':{'小明':'xiaoming'}})
3.批量替换某一列的值（把‘性别’列里的男-male，女-felmale）
方法一：df['性别']=df['性别'].map({'男':'male','女':'female'})
方法二：df['性别'].replace('female','女',inplace=True)
或df['性别']=df['性别'].replace('female','女') 这就是inplace的作用
+df['性别'].replace('male','男',inplace=True)
4.替换列索引
df.columns=['sex','name','height','age']
或者：df.rename(columns={'性别':'sex','姓名':'name','身高':'height','年龄':'age'})
5.删除某一列
del df['player']
6. 删除某一列（方法二），删除某一行（默认axis=0删除行，为1则删除列）
删除某一列（方法二）
df.drop('性别',axis=1)
删除某一行
df.drop(1,axis=0)
file1=pd.read_csv(file1_path)
file2=pd.read_csv(file2_path)
new1=pd.DataFrame()
new1['phone']=file1['phone']
new1['contact_time']=file1['contact_time']
new2=pd.DataFrame()
new2['phone']=file2['phone']
new2['submission_audit_time']=file2['提交审核时间']
newdata=pd.merge(new1,new2,on='phone',how='left')
df=pd.concat([df1,df2],axis=0)
4.2.2 横向表连接
df=pd.concat([df1,df2],axis=1)
df1['地区'].str.split('·',3,expand=True)
df1:
df1[['城市', '城区','地址']] = df1['地区'].str.split('·', 3, expand = True)
5.1 缺失值删除
data.dropna(axis=0,subset = ["Age", "Sex"]) # 丢弃‘Age’和‘Sex’这两列中有缺失值的行
data.dropna(how = 'all') # 传入这个参数后将只丢弃全为缺失值的那些行
data.dropna(axis = 1) # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）
data.dropna(axis=1,how="all") # 丢弃全为缺失值的那些列
5.2 缺失值填充：pandas.DataFrame.fillna()函数
DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
功能：使用指定方法填充NA/NaN值
其中inplace=True就是直接在原有基础上填满
5.3 缺失值查询：
缺失值数量查询：df.isnull().sum()
缺失值行查询：df[df.isnull().T.any()]
newdata['during_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])
newdata['during_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)
new=pd.DataFrame()
new=newdata[newdata['during_time(number)'] ==0]
new.to_csv(save_path,encoding='utf-8-sig')
将数据按行拆分并存储到不同的csv文件中：
path='C:/Users/EDZ/Desktop/工作/2021.08.19/'
for i in range(0,30):
df.loc[[i]].to_csv(path+str(i)+'.csv',encoding='gbk')
df = df[['购药日期', '星期','社保卡号','商品编码', '商品名称', '销售数量', '应收金额', '实收金额' ]]