http://blog.csdn.net/pipisorry/article/details/52208727
输出格式控制
pandas dataframe数据全部输出，数据太多也不用省略号表示。
pd.set_option('display.max_columns',None)或者
with option_context('display.max_rows', 10, 'display.max_columns', 5):数据输入输出
数据pickling
pandas数据pickling比保存和读取csv文件要快2-3倍（lz测试不准，差不多这么多）。
ltu_df.to_pickle(os.path.join(CWD, 'middlewares/ltu_df'))
ltu_df = pd.read_pickle(os.path.join(CWD, 'middlewares/ltu_df'))不过lz测试了一下，还是直接pickle比较快，比pd.read_pickle快2倍左右。
pickle.dump(ltu_df, open(os.path.join(CWD, 'middlewares/ltu_df.pkl'), 'wb'))ltu_df = pickle.load(open(os.path.join(CWD, 'middlewares/ltu_df.pkl'), 'rb'))
CSV
通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。
读取csv文件 read_csv
lines = pd.read_csv(checkin_filename, sep='\t', header=None,names=col_names, parse_dates=[1], skip_blank_lines=True, index_col=0).reset_index()
dateparse = lambda dates: pd.datetime.strptime(dates, '%Y-%m')
data = pd.read_csv('AirPassengers.csv', parse_dates='Month', index_col='Month',date_parser=dateparse)
参数：
skiprows=2，表示前面两行[0, 1]都不读入，等价于skiprows=[0, 1]；
header=None第0行不作为列名；
names=[''] 指定列名；
parse_dates=[] 解析指定行为date类型；
index_col=0 指定某列为行索引，否则自动索引0, 1, .....。reset_index()是其反操作。
parse_dates:这是指定含有时间数据信息的列。正如上面所说的，列的名称为“月份”。
index_col:使用pandas 的时间序列数据背后的关键思想是：目录成为描述时间数据信息的变量。所以该参数告诉pandas使用“月份”的列作为索引。
date_parser：指定将输入的字符串转换为可变的时间数据。Pandas默认的数据读取格式是‘YYYY-MM-DD HH:MM:SS’。如需要读取的数据没有默认的格式，就要人工定义。这和dataparse的功能部分相似，这里的定义可以为这一目的服务。[python模块 - 时间模块 ]
converters : dict, default None: Dict of functions for converting values in certain columns. Keys can eitherbe integers or column labels.将数据某列按特定函数转化，必然可以取代自定义时date_parser和parse_dates两个参数呀。
如解析时间时想返回时间戳的浮点数表示时：
def dateParse(s): return float(__import__('datetime').datetime.timestamp(__import__('dateutil.parser').parser.parse(s)))
df = pd.read_csv(os.path.join(CA_DATASET_DIR, checkin_ca), header=0, sep='\t', converters={'Time(GMT)': dateParse})Note: 读取速度比numpy.loadtxt快多了，近10倍，包括转换成list的时间。
# Reading data from web
data_url="https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"
df =pd.read_csv(data_url)
写入csv文件Writing to a csv file
data_df.to_csv(path,index=False)
在参数中加上index=False，否则写入的数据会默认加上index，大多数是没有用的。
HDF5
Reading and writing to HDFStores
Writing to a HDF5 Store
In [138]: df.to_hdf('foo.h5','df')
Reading from a HDF5 Store
In [139]: pd.read_hdf('foo.h5','df')
Out[139]:
A B C D
2000-01-01 0.266457 -0.399641 -0.219582 1.186860
2000-01-02 -1.170732 -0.345873 1.653061 -0.282953
... ... ... ... ...
2002-09-25 -10.216020 -9.480682 -3.933802 29.758560
2002-09-26 -11.856774 -10.671012 -3.216025 29.369368
[1000 rows x 4 columns]
Excel
好像如果使用pd.read_excel要安装xlrd：pip install xlrd
Writing to an excel file
data_df.to_csv('a.xlsx', index=False, sheet_name='Sheet1')
Reading from an excel file
pandas.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, usecols=None, squeeze=False, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skiprows=None, nrows=None, na_values=None, parse_dates=False, date_parser=None, thousands=None, comment=None, skipfooter=0, convert_float=True, **kwds)
参数：converters：读数据的时候使用converters指定列数据的数值类型 pd.read_excel('a.xlsx',converters={0: str})。
sheet_name: None就是读取所有的sheet，返回的就是一个ordereddict；指定就只读取指定sheet，只有一个返回的就是dataframe。
header：指定header所在列 （0开始）。
data_df_dict = pd.read_excel(filename, sheet_name=None, header=0) data_df = pd.concat(data_df_dict.values())
Gotchas
If you are trying an operation and you see an exception like:
>>> if pd.Series([False, True, False]):
print("I was true")
Traceback
...
ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().
See Comparisons for an explanation and what to do.
See Gotchas as well.
from: http://blog.csdn.net/pipisorry/article/details/52208727
ref: [IO Tools (Text, CSV, HDF5, ...)¶]