Pandas是Python处理数据分析包。当需要处理大量数据时能比EXCEL提供更强大的运行效率。可以与读入，写出如：CSV，CST，Excel，MySQL等数据存储方式。
任务：
本次将要介绍的是如何利用Pandas以及一些辅助包来：
1. 将Python中的DataFrame数据写入MySQL
2. 将MySQL中的数据导入Pyhon，并且利用MySQL语句进行操作
准备：
利用到的模拟数据来自Stackoverflow 中的Stack Overflow Annual Developer Survey 2020 （CSV File）（https://insights.stackoverflow.com/survey）关于程序员的调查数据
在操作之前确保已经安装相应的库：Pandas，SQLAlchemy，pymysql
用到的工具：Anaconda，JupyterNotebook(IDLE 或 Pycharm也可，但Jupyter的数据界面比较清晰)，MySQL Workbench（8.0版本）。
方法如下（假设已经安装Anaconda）：搜索Anaconda Prompt
pip install PyMySQL
pip install Pandas
pip install SQLAlchemy
操作阶段
1. 导入数据到Jupyter
将下载的CSV导入Jupyter，操作如下
2. 提前设置好Mysql
在Mysql中建立新的数据库（Schema）命名为sample_db
3. 创立连接
首先import sqlalchemy 和 pymysql库
create_engine 为一个方法（method），执行建立连接的操作
engine变量储存所创立的连接，以便重复利用
df.to_sql() 为写入sql的一个方法（method），其中arg1 为数据库中数据表的名称（此时新建的），engine 代表前期利用create_engine创建的连接。if_exists 检查是否之前已经存在此数据表，‘append’代表如果存在附加，‘replace’代表如果存在，覆盖原来数据。
操作完毕，登录数据库，此时在数据库（sample_db）中将能看到新创建的数据表（sample_table）
4. 读取数据库中的数据
还是利用第三步创立的连接engine，在Jupyter中接着输入
sql_df_test = pd.read_sql('sample_table',engine,index_col = 'Respondent')
将sample_table 中的数据导入并且赋值给sql_df_test
5. 利用Python操作查询导入想要的数据
如果不想全部导入数据库中的数据，可以设置查询条件，只导入需要的数据。此时用到的语句为
pd.read_sql_query （query 代表查询）,arg1 为查询的条件（SQL语法），代表从sample_table中以age>30 为条件，* 代表查询所有的数据。
验证sql_df_test['Age'].min() 为31
6. Pandas语句查询与Mysql语句查询对比
假设想查询模拟数据中，参与调查的中国程序员的平均年龄。
利用pandas语句
利用mysql语句（生成DataFrame格式，方便在Pandas中做进一步操作）
利用mysql语句（简单的结果输出）
