① 统计几十万行的数据什么数据库好
mysql 就可以了
甚至sqlite这种内嵌式数据库都可以
或者直接用第三方计算库 比如pandas
② python获取数据库数据一共有多少行(2023年最新分享)
导读：很多朋友问到关于python获取数据库数据一共有多少行的相关问题，本文首席CTO笔记就来为大家做个详细解答，供大家参考，希望对大家有所帮助！一起来看看吧！
Python数据库API(DBAPI)虽然Python需要为操作不同的数据库使用不同的模块，但不同的数据库模块并非没有规律可循，因为它们基本都遵守Python制订的DBAPI协议，目前该协议的最新版本是2.0，因此这些数据库模块有很多操作其实都是相同的。下面先介绍不同数据库模块之间的通用内容。
全局变量
Python推荐支持DBAPI2.0的数据库模块都应该提供如下3个全局变量：
apilevel：该全局变量显示数据库模块的API版本号。对于支持DBAPI2.0版本的数据库模块来说，该变量值通常就是2.0。如果这个变量不存在，则可能该数据库模块暂时不支持DBAPI2.0。读者应该考虑选择使用支持该数据库的其他数据库模块。
threadsafety：该全局变量指定数据库模块的线程安全等级，该等级值为0～3，其中3代表该模块完全是线程安全的；1表示该模块具有部分线程安全性，线程可以共享该模块，但不能共享连接；0则表示线程完全不能共享该模块。
paramstyle：该全局变量指定当SQL语句需要参数时，可以使用哪种风格的参数。该变量可能返回如下变量值：
format：表示在SQL语句中使用Python标准的格式化字符串代表参数。例如，在程序中需要参数的地方使用%s，接下来程序即可为这些参数指定参数值。
pyformat：表示在SQL语句中使用扩展的格式代码代表参数。比如使用%(name)，这样即可使用包含key为name的字典为该参数指定参数值。
qmark：表示在SQL语句中使用问号（?）代表参数。在SQL语句中有几个参数，全部用问号代替。
numeric：表示在SQL语句中使用数字占位符（:N）代表参数。例如：1代表一个参数，:2也表示一个参数，这些数字相当于参数名，因此它们不一定需要连续。
named：表示在SQL语句中使用命名占位符（:name）代表参数。例如:name代表一个参数，:age也表示一个参数。
通过查阅这些全局变量，即可大致了解该数据库API模块的对外的编程风格，至于该模块内部的实现细节，完全由该模块实现者负责提供，通常不需要开发者关心。
数据库API的核心类
遵守DBAPI2.0协议的数据库模块通常会提供一个connect()函数，该函数用于连接数据库，并返回数据库连接对象。
数据库连接对象通常会具有如下方法和属性：
cursor(factory=Cursor)：打开游标。
commit()：提交事务。
rollback()：回滚事务。
close()：关闭数据库连接。
isolation_level：返回或设置数据库连接中事务的隔离级别。
in_transaction：判断当前是否处于事务中。
上面第一个方法可以返回一个游标对象，游标对象是PythonDBAPI的核心对象，该对象主要用于执行各种SQL语句，包括DDL、DML、select查询语句等。使用游标执行不同的SQL语句返回不同的数据。
游标对象通常会具有如下方法和属性：
execute(sql[,parameters])：执行SQL语句。parameters参数用于为SQL语句中的参数指定值。
executemany(sql,seq_of_parameters)：重复执行SQL语句。可以通过seq_of_parameters序列为SQL语句中的参数指定值，该序列有多少个元素，SQL语句被执行多少次。
executescript(sql_script)：这不是DBAPI2.0的标准方法。该方法可以直接执行包含多条SQL语句的SQL脚本。
fetchone()：获取查询结果集的下一行。如果没有下一行，则返回None。
fetchmany(size=cursor.arraysize)：返回查询结果集的下N行组成的列表。如果没有更多的数据行，则返回空列表。
fetchall()：返回查询结果集的全部行组成的列表。
close()：关闭游标。
rowcount：该只读属性返回受SQL语句影响的行数。对于executemany()方法，该方法所修改的记录条数也可通过该属性获取。
lastrowid：该只读属性可获取最后修改行的rowid。
arraysize：用于设置或获取fetchmany()默认获取的记录条数，该属性默认为1。有些数据库模块没有该属性。
description：该只读属性可获取最后一次查询返回的所有列的信息。
connection：该只读属性返回创建游标的数据库连接对象。有些数据库模块没有该属性。
总结来看，Python的DBAPI2.0由一个connect()开始，一共涉及数据库连接和游标两个核心API。它们的分工如下：
数据库连接：用于获取游标、控制事务。
游标：执行各种SQL语句。
掌握了上面这些API之后，接下来可以大致归纳出PythonDBAPI2.0的编程步骤。
操作数据库的基本流程
使用PythonDBAPI2.0操作数据库的基本流程如下：
调用connect()方法打开数据库连接，该方法返回数据库连接对象。
通过数据库连接对象打开游标。
使用游标执行SQL语句（包括DDL、DML、select查询语句等）。如果执行的是查询语句，则处理查询数据。
关闭游标。
关闭数据库连接。
下图显示了使用PythonDBAPI2.0操作数据库的基本流程。
python数据分析怎样查有多少行数据from?__future__?import?print_functionimport?timeif?__name__?==?'__main__':
????import?sys
????start?=?time.time()
????with?open(sys.argv[1],'rb')?as?f:
????????count?=?0
????????last_data?=?' '
????????while?True:
????????????data?=?f.read(0x400000)
????????????if?not?data:
????????????????break
????????????count?+=?data.count(b' ')
????????????last_data?=?data
????????if?last_data[-1:]?!=?b' ':
????????????count?+=?1?#?Remove?this?if?a?wc-like?count?is?needed
????end?=?time.time()
????print(count)
????print((end-start)?*?1000)
这跟wc-l略有区别，如果要跟wc-l一致的话，可以将带注释的行删掉。
这里没有处理universalnewline、忽略空行等逻辑，如果需要这些功能，程序会变得复杂一些。
请教python操作数据库表的结果集的整理
，选择开始菜单中→程序→【ManagementSQLServer2008】→【SQLServerManagementStudio】命令，打开【SQLServerManagementStudio】窗口，并使用Windows或SQLServer身份验证建立连接。
在【对象资源管理器】窗口中展开服务器，然后选择【数据库】节点
右键单击【数据库】节点，从弹出来的快捷菜单中选择【新建数据库】命令。
执行上述操作后，会弹出【新建数据库】对话框。在对话框、左侧有3个选项，分别是【常规】、【选项】和【文件组】。完成这三个选项中的设置会后，就完成了数据库的创建工作，
在【数据库名称】文本框中输入要新建数据库的名称。例如，这里以“新建的数据库”。
在【所有者】文本框中输入新建数据库的所有者，如sa。根据数据库的使用情况，选择启用或者禁用【使用全文索引】复选框。
在【数据库文件】列表中包括两行，一行是数据库文件，而另一行是日记文件。通过单击下面的【添加】、【删除】按钮添加或删除数据库文件。
切换到【选项页】、在这里可以设置数据库的排序规则、恢复模式、兼容级别和其他属性。
切换到【文件组】页，在这里可以添加或删除文件组。
完成以上操作后，单击【确定】按钮关闭【新建数据库】对话框。至此“新建的数据”数据库创建成功。新建的数据库可以再【对象资源管理器】窗口看到。
python导入txt到数据库每8行写入#?8行结束有一个空白行
with?open('data.txt')?as?data:
????line?=?1
????sql?=?'insert?into?fz_esx?values(%s,%s,%s,%s,%s,%s,%s,%s)'
????values?=?[]
????for?d?in?data:
????????if?d?!=?'':
????????????values.append('"%s"'?%?str(d))
????????if?line?%?9?==?0:
????????????#?执行sql插入代码
????????????#?urs.exec(sql?%?tuple(values))
????????????del?values[:]
????????line?+=?1
????????
#?当然如果不行浪费sql资源,可以全部拼接完inert语句?一次执行
#?如果是生产环境,?建议使用队列的思路,例如"芹菜"库
python把数据写入文件，规定每个文件只有固定行数要规定行数的话，就得先规定列数了。否则从头到尾就一行，也就没有意义了，如果可以确定行尾的话，也可以用换行确定计数。例：
foriteminyourdata:
count=0
f=open('yourfile','w')
while(count20):
f.write(yourdata)
count+=1
f.close()
python中如何将表中的数据做成一张表,然后再从中取出数据？第一部分是生成数据表，常见的生成方法有两种，第一种是导入外部数据，第二种是直接写入数据。Excel中的文件菜单中提供了获取外部数据的功能，支持数据库和文本文件和页面的多种数据源导入。
获取外部数据
python支持从多种类型的数据导入。在开始使用python进行数据导入前需要先导入pandas库，为了方便起见，我们也同时导入numpy库。
1importnumpyasnp
2importpandasaspd
导入数据表
下面分别是从excel和csv格式文件导入数据并创建数据表的方法。代码是最简模式，里面有很多可选参数设置，例如列名称，索引列，数据格式等等。感兴趣的朋友可以参考pandas的
官方文档。
1df=pd.DataFrame(pd.read_csv(‘name.csv’,header=1))
2df=pd.DataFrame(pd.read_excel(‘name.xlsx’))
创建数据表
另一种方法是通过直接写入数据来生成数据表，excel中直接在单元格中输入数据就可以，python中通过下面的代码来实现。生成数据表的函数是pandas库中的DateFrame函数，数据表一共有6行数据，每行有6个字段。在数据中我们特意设置了一些NA值和有问题的字段，例如包含空格等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。
1df=pd.DataFrame({‘id’:[1001,1002,1003,1004,1005,1006],
2‘date’:pd.date_range(‘20130102’,periods=6),
3‘city’:['Beijing',‘SH’,’guangzhou',‘Shenzhen’,‘shanghai’,'BEIJING'],
4‘age’:[23,44,54,32,34,32],
5‘category’:[‘100-A’,‘100-B’,‘110-A’,‘110-C’,‘210-A’,‘130-F’],
6‘price’:[1200,np.nan,2133,5433,np.nan,4432]},
7columns=[‘id’,‘date’,‘city’,‘category’,‘age’,‘price’])
这是刚刚创建的数据表，我们没有设置索引列，price字段中包含有NA值，city字段中还包含了一些脏数据。
数据表检查
python中处理的数据量通常会比较大，所以就需要我们对数据表进行检查。比如我们之前的文章中介绍的纽约出租车数据和Citibike的骑行数据，数据量都在千万级，我们无法一目了然的了解数据表的整体情况，必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况，例如整个数据表的大小，所占空间，数据格式，是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。
数据维度(行列)
Excel中可以通过CTRL向下的光标键，和CTRL向右的光标键来查看行号和列号。Python中使用shape函数来查看数据表的维度，也就是行数和列数，函数返回的结果(6,6)表示数据表有6行，6列。下面是具体的代码。
1#查看数据表的维度
2df.shape
3(6,6)
数据表信息
使用info函数查看数据表的整体信息，这里返回的信息比较多，包括数据维度，列名称，数据格式和所占空间等信息。
1#数据表信息
2df.info()
4class‘pandas.core.frame.DataFrame’
5RangeIndex:6entries,0to5
6Datacolumns(total6columns):
7id6non-nullint64
8date6non-nulldatetime64[ns]
9city6non-nullobject
10category6non-nullobject
11age6non-nullint64
12price4non-nullfloat64
13dtypes:datetime64ns,float64(1),int64(2),object(2)
14memoryusage:368.0bytes
查看数据格式
Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。Python中使用dtypes函数来返回数据格式。
Dtypes是一个查看数据格式的函数，可以一次性查看数据表中所有数据的格式，也可以指定一列来单独查看。
1#查看数据表各列格式
2df.dtypes
3
4idint64
5datedatetime64[ns]
6cityobject
7categoryobject
8ageint64
9pricefloat64
10dtype:object
11
12#查看单列格式
13df[‘B’].dtype
14
15dtype(‘int64’)
查看空值
Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。
Isnull是Python中检验空值的函数，返回的结果是逻辑值，包含空值返回True，不包含则返回False。可以对整个数据表进行检查，也可以单独对某一列进行空值检查。
df_isnull
1#检查特定列空值
2df[‘price’].isnull()
3
40False
51True
62False
73False
84True
95False
10Name:price,dtype:bool
查看唯一值
Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色标记。Python中使用unique函数查看唯一值。
Unique是查看唯一值的函数，只能对数据表中的特定列进行检查。下面是代码，返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。
1#查看city列中的唯一值
2df[‘city’].unique()34array(['Beijing',‘SH’,’guangzhou',‘Shenzhen’,‘shanghai’,'BEIJING'],dtype=object)
查看数据表数值
Python中的Values函数用来查看数据表中的数值。以数组的形式返回，不包含表头信息。
1#查看数据表的值
2df.values
3
4array([[1001,Timestamp(‘2013-01-0200:00:00’),'Beijing',‘100-A’,23,
51200.0],
6[1002,Timestamp(‘2013-01-0300:00:00’),‘SH’,‘100-B’,44,nan],
7[1003,Timestamp(‘2013-01-0400:00:00’),’guangzhou',‘110-A’,54,
82133.0],
9[1004,Timestamp(‘2013-01-0500:00:00’),‘Shenzhen’,‘110-C’,32,
105433.0],
11[1005,Timestamp(‘2013-01-0600:00:00’),‘shanghai’,‘210-A’,34,
12nan],
13[1006,Timestamp(‘2013-01-0700:00:00’),'BEIJING',‘130-F’,32,
144432.0]],dtype=object)
查看列名称
Colums函数用来单独查看数据表中的列名称。
1#查看列名称
2df.columns
3
4Index([‘id’,‘date’,‘city’,‘category’,‘age’,‘price’],dtype=‘object’)
查看前10行数据
Head函数用来查看数据表中的前N行数据，默认head()显示前10行数据，可以自己设置参数值来确定查看的行数。下面的代码中设置查看前3行的数据。
1#查看前3行数据``df.head(``3``)
Tail行数与head函数相反，用来查看数据表中后N行的数据，默认tail()显示后10行数据，可以自己设置参数值来确定查看的行数。下面的代码中设置查看后3行的数据。
1#查看最后3行df.tail(3)
结语：以上就是首席CTO笔记为大家介绍的关于python获取数据库数据一共有多少行的全部内容了，希望对大家有所帮助，如果你还想了解更多这方面的信息，记得收藏关注本站。
③ 如何用python的pandas包的to_csv方法将中文输出到csv文件中
文本内容如下：
12-06 14:50:23.600: I/ActivityManager(605): Displayed com.suning.numberlocation/.NumberLocationActivity: +125ms
12-06 14:50:52.581: I/ActivityManager(605): Displayed com.suning.numberlocation/.NumberLocationActivity: +126ms
12-06 14:51:21.391: I/ActivityManager(605): Displayed com.suning.numberlocation/.NumberLocationActivity: +108ms
12-06 14:51:50.652: I/ActivityManager(605): Displayed com.suning.numberlocation/.NumberLocationActivity: +121ms
想使用python截取每一行中的特定数据，然后把它们写入到csv文件中！
想截取每一行中的3段字符串 “numberlocation” “NumberLocationActivity” “125”
在CSV中看到的期待结果是（一行输出3段字符串）：
numberlocation NumberLocationActivity 125
④ 怎么利用pandas做数据分析
Pandas是Python下一个开源数据分析的库，它提供的数据结构DataFrame极大的简化了数据分析过程中一些繁琐操作。
1. 基本使用：创建DataFrame. DataFrame是一张二维的表，大家可以把它想象成一张Excel表单或者Sql表。Excel 2007及其以后的版本的最大行数是1048576，最大列数是16384，超过这个规模的数据Excel就会弹出个框框“此文本包含多行文本，无法放置在一个工作表中”。Pandas处理上千万的数据是易如反掌的sh事情，同时随后我们也将看到它比SQL有更强的表达能力，可以做很多复杂的操作，要写的code也更少。
说了一大堆它的好处，要实际感触还得动手码代码。首要的任务就是创建一个DataFrame，它有几种创建方式：
（1）列表，序列(pandas.Series), numpy.ndarray的字典
二维numpy.ndarray
别的DataFrame
结构化的记录(structured arrays)
（2）其中，二维ndarray创建DataFrame，代码敲得最少：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4))
df
0 1 2 3
0 0.927474 0.127571 1.655908 0.570818
1 -0.425084 -0.382933 0.468073 -0.862898
2 -1.602712 -0.225793 -0.688641 1.167477
3 -1.771992 -0.692575 -0.693494 -1.063697
4 -0.456724 0.371165 1.883742 -0.344189
5 1.024734 0.647224 1.134449 0.266797
6 1.247507 0.114464 2.271932 -0.682767
7 -0.190627 -0.096997 -0.204778 -0.440155
8 -0.471289 -1.025644 -0.741181 -1.707240
9 -0.172242 0.702187 -1.138795 -0.112005
（3）通过describe方法，可以对df中的数据有个大概的了解：
df.describe()
0 1 2 3
count 10.000000 10.000000 10.000000 10.000000
mean -0.189096 -0.046133 0.394722 -0.320786
std 1.027134 0.557420 1.258019 0.837497
min -1.771992 -1.025644 -1.138795 -1.707240
25% -0.467648 -0.343648 -0.692281 -0.817865
50% -0.307856 0.008734 0.131648 -0.392172
75% 0.652545 0.310266 1.525543 0.172096
max 1.247507 0.702187 2.271932 1.167477
2. 改变cell。
3. group by。
4. 读写文件。