Pandas с нуля. Часть 2: чтение и запись — CSV, Excel, SQL и…

Это часть 2 из 10 курса «Pandas с нуля для аналитика».

В первой части ты собирал DataFrame руками — из словаря. Но в реальной работе ты так почти не делаешь: данные приходят файлами или, чаще, прямо из базы. Эта часть — про то, как затащить данные в pandas откуда угодно (CSV, Excel, JSON, SQL) и как выгрузить их обратно. Освоишь это — и считай, что половина рутины аналитика у тебя в кармане.

Что разберёшь в этом уроке

• Откуда вообще берутся данные
• read_csv: рабочая лошадка и её параметры
• read_excel и read_json: когда данные не в CSV
• Запись: to_csv, to_excel — отдаём результат
• Главное для аналитика: чтение из базы данных
• SQLAlchemy engine и большие таблицы
• Запись в базу: to_sql

Частые вопросы

Как прочитать CSV-файл в pandas?

Используйте pd.read_csv('file.csv'). Часто нужны параметры sep для разделителя (sep=';' для русских Excel-выгрузок), encoding='utf-8' или 'cp1251' для кодировки и parse_dates=['date'] для дат.

Чем отличается параметр engine в read_csv и read_excel?

В read_csv engine ('c' или 'python') выбирает парсер: 'c' быстрее, 'python' гибче по разделителям и regex. В read_excel engine задаёт библиотеку: 'openpyxl' для .xlsx, 'xlrd' для старых .xls.

Как загрузить данные из SQL-базы в DataFrame?

Используйте pd.read_sql('SELECT * FROM table', con), где con — это подключение через SQLAlchemy engine (create_engine) или DBAPI-коннект. Для записи обратно — df.to_sql('table', con, if_exists='append').