本文将介绍如何把DataFrame中的数据写入到Microsoft SQL Sever数据库。
而 Pandas 中的 DataFrame.to_sql 方法是实现此功能的关键：
函数及其参数如下：
DataFrame.to_sql(name, con, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None, method=None)
函数及其参数解析如下：
以上 to_sql 函数及其参数解析完毕。
接下来将进行项目实战：
1、导入pandas库，并导入sqlalchemy模块中的create_engine，需要利用它来进行连接数据库
import pandas as pd
from sqlalchemy import create_engine
2、连接数据库
conn = create_engine('mssql+pymssql://sa:123456@192.168.0.57/advertising')
解析如下：
create_engine("数据库类型+数据库驱动://数据库用户名:数据库密码@IP地址:端口/数据库")
3、在SQL Sever数据库中建表
首先要在SQL Sever数据库中新建表、设计表的结构和类型，这一步的主要目的是为存储接下来DataFrame中的数据作准备。
在SQL Server的advertising数据库中新建名为 sales_data 的表，详细创建代码如下：
CREATE TABLE sales
(
ASIN VARCHAR(255),
Keywords VARCHAR(255),
tf-idf FLOAT(8)
)；
至此，数据库中已新建完成sales表：列名分别为ASIN、Keywords、tf-idf，数据类型分别为VARCHAR VARCHAR FLOAT。
4、设置dataframe与数据库列名和数据类型对应
第三步已经设置好了数据库的表结构类型，现在则要设置对应的dataframe中所期望储存数据的表的结构类型。
dtypedict =
{
'ASIN': NVARCHAR(length=255),
'Keywords': NVARCHAR(length=255),
'tf-idf': Float()
}
参数解析：
dtypedict是to_sql函数中的一个参数，设置的目的在于：DataFrame数据框的列名需要和数据表的列名对应，这样才能够匹配传入数据库。
若不设置此项，可能会导致Dataframe的数据类型传导进去后，数据库中的数据类型被迫发生了自动改变，造成两者的数据类型不一致。举个例子：DataFrame中 tf-idf列的数据类型为int，而数据库的sales表设计的数据类型却为float，将DataFrame的数据导入数据库表中，发现该列的数据类型变成了float，而不是原来的int，进而导致错误的出现。
5、运用 to_sql 函数将Dataframe中的数据导入Microsoft SQL Sever
DataFrame的数据保存在 df 中。
df.to_sql(name='sales', con=conn, if_exists='replace', index=False, dtype=dtypedict)
参数解析：
name 是要存储数据的表，这里填 sales；
con 是前面第二步连接数据库的步骤；
if_exists 可参考本文开头的函数解析，有三个参数可选；
index 参数False表示不出现索引，True则为出现索引；
dtype 第四步的设置所期望储存数据的表的结构类型。
6、关闭数据库链接
conn.dispose()
运行结果：
在SQL Sever advertising数据库中查看sales表，DataFrame中的数据已成功导入sales表。
最后完整代码如下：
import pandas as pd
from sqlalchemy import create_engine
conn = create_engine('mssql+pymssql://sa:123456@192.168.0.57/advertising')
dtypedict =
{
'ASIN': NVARCHAR(length=255),
'Keywords': NVARCHAR(length=255),
'tf-idf': Float()
}
df.to_sql(name='sales', con=conn, if_exists='replace', index=False, dtype=dtypedict)
conn.dispose()
