在实际使用场景中，大部分数据并不是存储在文本或者Excel文件中的，而是一些基于SQL语言的关系型数据库中，比如MySQL。
从SQL中将数据读取为DataFrame对象是非常简单直接的，pandas提供了多个函数用于简化这个过程。
下面以Python内置的sqlite3标准库为例，介绍一下操作过程。
首先是生成数据库：
In [123]: import sqlite3 # 导入这个标准内置库 # 编写一条创建test表的sql语句 In [124]: query = """ ...: CREATE TABLE test ...: (a VARCHAR(20), b VARCHAR(20), c REAL, d integer);""" In [125]: con = sqlite3.connect('mydata.sqlite') # 创建数据库文件，并连接 In [126]: con.execute(query) # 执行sql语句 Out[126]: <sqlite3.Cursor at 0x2417e5535e0> In [127]: con.commit # 提交事务 Out[127]: <function Connection.commit>
再插入几行数据：
# 两个人和一只老鼠的信息
In [129]: data = [('tom', 'male',1.75, 20),
...: ('mary','female',1.60, 18),
...: ('jerry','rat', 0.2, 60)]
...:
# 再来一条空数据
In [130]: stmt = "INSERT INTO test VALUES(?,?,?,?)"
In [131]: con.executemany(stmt,data) # 执行多个语句
Out[131]: <sqlite3.Cursor at 0x2417e4b9f80>
In [132]: con.commit() # 再次提交事务
前面都是往数据库里写入内容，下面我们来读数据：
In [133]: cursor = con.execute('select * from test') # 执行查询语句
In [134]: rows = cursor.fetchall() # 获取查询结果
In [135]: rows
Out[135]:
[('tom', 'male', 1.75, 20),
('mary', 'female', 1.6, 18),
('jerry', 'rat', 0.2, 60)]
In [136]: cursor.description # 看看结果中的列名，其实就是数据表的列名
Out[136]:
(('a', None, None, None, None, None, None),
('b', None, None, None, None, None, None),
('c', None, None, None, None, None, None),
('d', None, None, None, None, None, None))
In [137]: pd.DataFrame(rows,columns= [x[0] for x in cursor.description])
Out[137]:
a b c d
0 tom male 1.75 20
1 mary female 1.60 18
2 jerry rat 0.20 60
上面最后生成DataFrame时，使用了一个列表推导式来构成列名序列。
例子到这里大致就完成了，但是关于数据库的连接和查询操作实在是够繁琐的，你肯定不想每次都这么来一遍。那么怎么办呢？使用流行的Python的SQL工具包SQLAlchemy，它能简化你的数据库操作。同时，pandas提供了一个read_sql函数，允许你从通用的SQLAlchemy连接中轻松地读取数据。一个典型的操作如下：
In [138]: import sqlalchemy as sqla In [140]: db = sqla.create_engine('sqlite:///mydata.sqlite') # 创建连接 In [141]: pd.read_sql('select * from test', db) # 查询数据并转换为pandas对象 Out[141]: a b c d 0 tom male 1.75 20 1 mary female 1.60 18 2 jerry rat 0.20 60
在Anaconda中，已经默认安装了SQLAlchemy，可以直接使用。如果你的环境中没有SQLAlchemy，请自定安装，或者搜索教程进行学习。