Pandas常用I/O函数(七):to_csv()函数及全部参数使用方法一文详解+实例代码

目录

前言

一、基础语法与功能

二、参数说明和代码演示

1.path_or_buf 选择文件/文件路径写入

2.sep 指定分隔符

 3.na_rep 指定缺少数据表示

4.float_format 指定浮点型字符串输出格式

5. columns 指定要写入的列

6.header 是否需要写入列名

 7.index 是否写入行名称（索引）。

 8.index_label 是否写入列标签（索引）。

9.mode 指定写入的模式

 10.encoding 表示输出文件中使用的编码的字符串

11.compression 输出数据的动态压缩

12.quoting 设置引用格式

13.quotechar 引用字符

14.lineterminator 输出文件中使用的换行符或字符序列

15.chunksize 指定一次写入的行

16.date_format 指定日期时间对象的格式字符串

 17.doublequote 控制字段内quotechar的引用。

18.escapechar

19.decimal 字符识别为十进制分隔符

20.errors 指定如何处理编码和解码错误

点关注，防走丢，如有纰漏之处，请留言指教，非常感谢

---

前言

Pandas常用作数据分析工具库以及利用其自带的DataFrame数据类型做一些灵活的数据转换、计算、运算等复杂操作，但都是建立在我们获取数据源的数据之后。因此作为读取数据源信息的接口函数必然拥有其强大且方便的能力，在读取不同类源或是不同类数据时都有其对应的read函数可进行先一步处理，这会减少我们相当大的一部分数据处理操作。每一个read()和to()函数，作为一名数据分析师我个人认为都应该掌握且熟悉它对应的参数，相对应的read()函数博主已有四篇文章详细解读了read_json、read_excel和read_sq、read_csv()，to()函数有两篇to_sql和to_json。

纵观整个数据源路径来看，最常用的数据存储对象：SQL、JSON、EXCEL以及这次要详解的CSV都遍及全了。 如果能够懂得该函数参数的使用可以减少大量后续处理DataFrame数据结构的代码，仅需要设置几个to_csv参数就可实现，因此本篇文章初衷为详细介绍并运用此函数来达到彻底掌握的目的。希望读者看完能够提出问题或者看法，博主会长期维护博客做及时更新，希望大家喜欢。

---

一、基础语法与功能

to_csv基础语法格式为：