基于游标得操作
游标是数据库操作的相对底层的能力。简单的操作如下：
import mysql.connector import random host = 'localhost' user = 'root' password = '8848is8848' dbname = 'demodb' def fakedata(maxtimes): # 连接数据库 demodb = mysql.connector.connect( host=host, user=user, password=password, database=dbname) democur = demodb.cursor() # 插入模拟出来的数据。 for _ in range(maxtimes): pm25 = random.uniform(0, 300) insertsql = f'insert into demotb(pm25) values({pm25})' democur.execute(insertsql) demodb.commit() democur.close() demodb.close() def querydata(): # 连接数据库 demodb = mysql.connector.connect( host=host, user=user, password=password, database=dbname) democur = demodb.cursor() # 进行一个简单的查询，返回多个值 selsql = 'select pm25 from demotb where pm25 >50.0' democur.execute(selsql) for i in democur: print(i) demodb.commit() democur.close() demodb.close() def queryresult(): # 连接数据库 demodb = mysql.connector.connect( host=host, user=user, password=password, database=dbname) democur = demodb.cursor() # 进行一个简单的查询，返回多个值 selsql = 'select max(pm25) from demotb' democur.execute(selsql) result = democur.fetchone() print(result) demodb.commit() democur.close() demodb.close() fakedata(10) querydata() queryresult()
上述操作是比较底层的，尤其是使用游标操作，只能够是遍历操作，然后依次处理数据。为此，需要引入更加抽象与高层的工具。
基于pandas的操作
pandas虽然字面意思是熊猫，但实际上它是一个强力的数据分析工具框架。网上对于pandas的介绍非常多，但笔者还是推荐直接看官方文档更好。使用pandas访问数据库的代码如下：
import mysql.connector import pandas as pd host = 'localhost' user = 'root' password = '8848is8848' dbname = 'demodb' def querydata(): # 连接数据库 demodb = mysql.connector.connect( host=host, user=user, password=password, database=dbname) # 进行一个简单的查询，返回多个值 selsql = 'select pm25 from demotb where pm25 >50.0' listpd = pd.read_sql(selsql, demodb) demodb.close() print(listpd) querydata()
此时返回的输出结果如下所示：
pm25
0 80.6221
1 192.4580
2 291.4450
3 279.8550
4 92.3528
5 107.4040
6 144.2040
7 213.5120
8 226.6060
如下所示，pandas使用DataFrame来管理记录，其输出本身就具有表格的特性，与数据库表也很相似，理解与操作起来非常方便。
在新版本的pandas中，上述代码会引起警告，建议改成SQLAlchemy connectable(engine/connection)，后续代码将引入这种升级的连接方式。