场景一：数据不需要频繁的写入mysql使用 navicat 工具的导入向导功能。这个软件可以支持多种文件格式，自动根据文件字段建立表格并方便地插入数据，速度也非常快。
场景二：数据是增量的，需要自动化并频繁写入mysql测试数据：csv 格式 ，大约 1200万行
import pandas as pddata = pd.read_csv('./tianchi_mobile_recommend_train_user.csv')data.shape
打印结果
方式一python + pymysql 库
安装 pymysql 命令
pip install pymysql
代码实现：
import pymysql# 数据库连接信息conn = pymysql.connect( host='127.0.0.1', user='root', passwd='wangyuqing', db='test01', port = 3306, charset="utf8")# 分块处理big_size = 100000# 分块遍历写入到 mysql with pd.read_csv('./tianchi_mobile_recommend_train_user.csv',chunksize=big_size) as reader: for df in reader: datas = [] print('处理：',len(df))# print(df) for i ,j in df.iterrows(): data = (j['user_id'],j['item_id'],j['behavior_type'], j['item_category'],j['time']) datas.append(data) _values = ",".join(['%s', ] * 5) sql = """insert into users(user_id,item_id,behavior_type ,item_category,time) values(%s)""" % _values cursor = conn.cursor() cursor.executemany(sql,datas) conn.commit() # 关闭服务 conn.close()cursor.close()print('存入成功！')
方式二pandas + sqlalchemy：pandas需要引入sqlalchemy来支持sql，在sqlalchemy的支持下，它可以实现所有常见数据库类型的查询、更新等操作。
代码实现：
from sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:wangyuqing@localhost:3306/test01')data = pd.read_csv('./tianchi_mobile_recommend_train_user.csv')data.to_sql('user02',engine,chunksize=100000,index=none)print('存入成功！')
以上就是python写入mysql数据库的方式有哪些的详细内容。