一：前言
作为一个有着良好python基础的菜鸡，以前在下研究过很多python的第三方库，参加工作后，pandas就成了许多当中的唯一了。
幸好有python基础，因此在组长的调教之下，在下很快就掌握了工作中需要用到的pandas的所有方法。
pandas基于numpy，一次安装pandas需要安装好numpy，不过这里有一条捷径，那就是anaconda，这里必须先各位老铁安利一下anaconda，conda在手，天下我有！
万事俱备，咱们接下来进入正题，那些pandas常用的方法。
1.read_csv()
在下每天接触的数据普遍都是几百上千万的数据，而这些文件通常都是csv文件，文件大小几百兆到1GB不等，这么久以来，在下碰到过的最大的csv文件是8GB
普通的电脑，根本打不开好么？
所以，pandas的价值就体现出来了。
话不多说，直接上代码
# -*- coding:utf-8 -*-
import pandas as pd
df = pd.read_csv("douban.csv",encoding="utf-8",sep=",")
print(df)运行结果
这个csv文件是我原来用爬虫，爬取的豆瓣top250图书，这里经过pandas，read_csv一处理后，其实就是一个dataframe对象。因此我们可以对它进行先sql那样的查询。
例如
select book_name,scroe from douban;
可以转换为
df2 = df[['book_name','score']]结果
select book_name,scroe from douban where scroe>9;
可以转换为
df2 = df[['book_name','score']].query('score>9')结果
这里有一篇文章是具体介绍将sql转换为pandas的，老铁们可以看看
https://www.cnblogs.com/en-heng/p/5630849.html
看完结果，咱们继续了解下read_csv的参数
上面的代码，咱们写了三个参数，
“douban.csv”, 文件名文件路径
encoding=”utf-8”， 以utf-8编码来读取
sep=”,” 文件分隔符为逗号。（有时候文件分隔符是制表符）
其实read_csv还有很多参数
例如，如果遇上了文件有错行需要加上error_bad_lines=False
如果遇上文件太大，则需要加上low_memory=False，以及chunksize=xxxxx来进行分块读取
基本上，在下工作使用read_csv()的时候，用上的参数就这么多了，如果老铁们想要深入研究可以参考官方文档，或者这一片文章https://www.cnblogs.com/datablog/p/6127000.html
2：to_csv()
讲完csv的读，接下来肯定要讲一讲csv的写咯
to_csv()其实就是将一个dataframe对象写入到一个csv文件中
简单粗暴，直接上代码，还是以刚才的代码为基础
# -*- coding:utf-8 -*-
import pandas as pd
df = pd.read_csv("douban.csv",encoding="utf-8",sep=",")
#查询字段为'book_name','score'并且分数大于9
df2 = df[['book_name','score']].query('score>9')
'''
将其写入到D盘如果文件，会自动创建
index=False 不要pandas为我们自动创建的索引
encoding 默认为utf-8
sep 默认为逗号分隔符
mode 写入方式，默认为w,可以选着a（追加）
'''
df2.to_csv("D:\douban2.csv",index=False,encoding="utf-8",
sep=",")
一个几百兆，甚至上G的csv文件，经过pandas的处理，可以缩小几倍，甚至几十倍，因此有了pandas，只要有点python基础都能够将其玩得转，但是你以为pandas就这点功能了么？
那你就太天真了！
看看官方文档
这还只是pandas的一个有关IO操作的部分，如果加上其它，可想而知，pandas有多么可怕
