Pandas
DB CAFE
thumb_up 추천메뉴 바로가기
- DBA { Oracle DBA 명령어 > DBA 초급 과정 > DBA 고급 과정 }
- 튜닝 { 오라클 튜닝 목록 }
- 모델링 { 데이터 모델링 가이드 }
목차
- 1 Pandas,DataFrame 생성, 추가, 삭제, 조회, 메타 등
- 1.1 데이터프레임 개체 생성(create)
- 1.2 데이터프레임 개체 수정(alter)
- 1.3 데이터프레임 개체 속성 조회 및 변경(meta)
- 1.4 데이터프레임 데이터 조회(select)
- 1.5 데이터프레임 데이터 변경(update, delete, insert)
- 1.6 데이터프레임 출력 변환
- 1.7 인덱싱(index, reindex)
- 1.8 정렬(sort_index, sort_values)
- 1.9 NULL 처리(NaN, NA, NULL)
- 1.10 랭킹 및 집계처리(lambda, apply)
- 1.11 Pandas Numpy 사용법
- 1.11.1 numpy : 배열 구조 및 연산
- 1.11.2 난수를 통한 배열 생성
- 1.11.3 리스트를 통한 배열 생성
- 1.11.4 2차원 리스트를 통한 배열 생성
- 1.11.5 array 구조 출력
- 1.11.6 0으로 채워진 배열 생성
- 1.11.7 순번으로 채워진 배열 생성
- 1.11.8 다차원 배열 생성 및 계산
- 1.11.9 n차 배열
- 1.11.10 불리언 색인(Boolean Index)
- 1.11.11 조건에 맞는지 boolean 리턴
- 1.11.12 두 배열을 조합한 조회
- 1.11.13 배열의 OR 조건 Boolean 조회
- 1.11.14 조건에 따라 배열 값 변경 조회
- 1.11.15 피벗팅 및 배열 재조합
- 1.11.16 배열 조회 조건 및 집계
- 1.11.17 정렬 및 중복제거
- 1.11.18 선형대수(행렬 연산)
- 1.11.19 난수 생성
- 1.12 For 문을 사용한 List,Dictionary 출력
- 1.13 DataFrame DB INSERT (ORACLE)
- 1.14 DataFrame DB INSERT (mssql)
1 Pandas,DataFrame 생성, 추가, 삭제, 조회, 메타 등[편집]
1.1 데이터프레임 개체 생성(create)[편집]
- Table이나 Sheet형식이 데이터 저장 개체
- indext와 여러 column으로 구성
# -*- coding: utf-8 -*-
from pandas import Series, DataFrame
import numpy as np
1.1.1 기본 데이터프레임 생성[편집]
df = DataFrame([1000, 2000, 3000, 4000])
print df
df = DataFrame([1000, 2000, 3000, 4000], index=["i1", "i2", "i3", "i4"])
print df
df = DataFrame({"c1":[1000, 2000, 3000, 4000]}, index=["i1", "i2", "i3", "i4"])
print df
print("-" * 100 + "{[1]}") # ----- #
1.1.2 여러 컬럼 데이터프레임 생성[편집]
df2 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]})
print df2
df2 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
print df2
print("-" * 100 + "{[2]}") # ----- #
1.1.3 컬럼만 있는 데이터프레임 생성[편집]
df4 = DataFrame(columns=("lib","qt1","qt2"))
print df4
for i in range(5):
df4.loc[i] = [(i+1)*(n+1) for n in range(3)]
print df4
print("-" * 100 + "{[3]}") # ----- #
1.1.4 난수를 이용한 데이터프레임 생성[편집]
df3 = DataFrame(np.random.randn(6,3))
print df3
print("-" * 100 + "{[4]}") # ----- #
1.1.5 리스트로 데이터프레임으로 생성[편집]
lst1 = [1,2,3,4]
df = DataFrame(lst1)
print df
lst2 = [[1,2,3,4,5], ["a", "b","c","d","e"]]
df = DataFrame(lst2)
print df
print("-" * 100 + "{[5]}") # ----- #
1.1.6 딕셔너리(Dictionary)로 데이터프레임으로 생성[편집]
data = {'name': ['Jason', 'Molly', 'Tina', 'Jake', 'Amy'],
'year': [2012, 2012, 2013, 2014, 2014],
'reports': [4, 24, 31, 2, 3],
'coverage': [25, 94, 57, 62, 70]}
df0 = DataFrame(data, index=['Cochice', 'Pima', 'Santa Cruz', 'Maricopa', 'Yuma'])
print df0
print("-" * 100 + "{[5.5]}") # ----- #
1.2 데이터프레임 개체 수정(alter)[편집]
df = DataFrame([1000, 2000, 3000, 4000])
df2 = DataFrame({"x1":[1,2,3], "x2":[11,22,33], "x3":[111,222,333]})
df3 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
1.2.1 컬럼명 변경[편집]
df.columns = ["C1"]
print df
df2.columns = ["c1", "c2", "c3"]
print df2
df2.rename(columns={"c1":"CC1"}, inplace = True) # 많이 쓰임!!!
print df2
print("-" * 100 + "{[6]}") # ----- #
df.columns.values[0] = 999 # 컬럼명이 숫자일 땐 숫자로..
print df
df3.columns.values[0] = "ttt" # 컬럼명이 문자일 땐 문자로..
print df3
1.2.2 컬럼명 변경2[편집]
df8 = pd.DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
df8.columns.values[0] = "id_area8"
print df8
df8.rename(columns={df8.columns[0]:"id_area7"}, inplace = True)
print df8
1.2.3 컬럼 추가 : 값 지정[편집]
df["newC2"] = 5
print df
df["newC3"] = ["a","b","c","d"]
print df
1.2.4 컬럼 추가 : Boolean 조건 지정[편집]
df2["new9"] = df2["c3"] > 300
print df2
print("-" * 100 + "{[7]}")
1.2.5 컬럼 추가 : 다른 column을 계산하여 생성[편집]
df2["newC9"] = df2["c2"] + df2["c3"]
print df2
print("-" * 100 + "{[8]}") # ----- #
1.2.6 컬럼 추가 : 시리즈로 추가[편집]
df9 = DataFrame([1000, 2000, 3000, 4000], index=["i1", "i2", "i3", "i4"])
print df9
add_srs = Series([1001, 2001, 3001, 4001], index = ["i1","i2","i3","i4"])
print add_srs
df9["c3"] = add_srs
print df9
add_srs = Series([1011, 3011, 4011], index = ["i3","i4","i5"]) # "i5"는 반영 안됨(outer join 방식)
df9["c4"] = add_srs
print df9
print("-" * 100 + "{[9]}") # ----- #
1.2.7 컬럼 추가 : 리스트로 추가(가장 편할 듯!!!)[편집]
add_lst = [1111,2222,3333,4444]
df9["c5"] = add_lst
print("-" * 100 + "{[10]}") # ----- #
1.2.8 컬럼 추가 : 빈 데이터프레임에 컬럼 추가(인덱스 포함)[편집]
df22 = DataFrame()
dd22 = df22.append({"c1":"", "c2":"", "c3":""}, ignore_index=True)
print df22
1.2.9 컬럼 추가 : 빈 데이터프레임에 컬럼 추가(인덱스 제외)[편집]
df33 = pd.DataFrame(columns=("c1", "c2", "c3")
print df33
print("-" * 100 + "{[10.3]}") # ----- #
1.2.10 컬럼 삭제[편집]
df2 = DataFrame({"x1":[1,2,3], "x2":[11,22,33], "x3":[111,222,333]})
df3 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
del df2["x2"]
print df
df2 = df2.drop("x1", 1)
print df2
df3 = df3.drop(["c2", "c3"], 1)
print df3
print("-" * 100 + "{[11]}") # ----- #
1.2.11 인덱스 컬럼명 변경[편집]
df2.index.name = "Count"
print df2.index
print df2
1.3 데이터프레임 개체 속성 조회 및 변경(meta)[편집]
df = DataFrame([1000, 2000, 3000, 4000], index=["i1","i2","i3","i4"])
df2 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
1.3.1 컬럼 이름 리턴[편집]
print df2.columns.values
1.3.2 인덱스 이름 리턴[편집]
print df2.index
1.3.3 기타 속성 리턴[편집]
print df2.shape[0] # 행 개수 : for문 range에 활용
print df2.shape[1] # 열 개수
print df2.size # 행 * 열 개수
print df2.ndim # 뭔지 모름?
print df2.info() # DF정보
print df2.describe() # DF 일괄 통계 정보 추출
print("-" * 100 + "{[12]}") # ----- #
1.3.4 개체 타입 확인[편집]
print type(df.ix["i1"]) # 결과 : pandas.core.series.Series
print type(df.ix[1:3, 0:2]) # 결과 : pandas.core.frame.DataFrame
print("-" * 100 + "{[12.5]}") # ----- #
1.4 데이터프레임 데이터 조회(select)[편집]
df = DataFrame([1000, 2000, 3000, 4000], index=["i1","i2","i3","i4"])
df2 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
1.4.1 원하는 컬럼만 출력[편집]
newColList = [0,1]
print df2[newColList]
1.4.2 데이터 추출 : 컬럼단위[편집]
print df2[["c1","c3"]]
print df2[["c2"]] # 인덱스와 컬럼명까지 출력
print df2["c2"] # 인덱스만 출력
print("-" * 100 + "{[13]}") # ----- #
1.4.3 데이터 추출 : 행단위[편집]
print df2.iat[0,0]
print df2.at["i1","c1"]
print df2.loc["i2"]
print df2.loc["i2"]["c1"]
print df2.iloc[0,0:3]
print("-" * 100 + "{[14]}") # ----- #
1.4.4 데이터 추출 : 부분[편집]
print df2.ix[0,0]
print df2.ix[1:3, 0:2]
print df2.ix["i1":"i2", "c2":"c3"]
print df2.ix[:,["c2", "c3"]]
print df2.ix[["i2","i3"], :]
print("-" * 100 + "{[15]}") # ----- #
1.4.5 데이터 추출 : 아래 3개 동일[편집]
print df2[0:2]
print df2.ix[0:2]
print df2.ix[0:2, :]
print("-" * 100 + "{[16]}") # ----- #
1.4.6 데이터 추출 : 조건 처리[편집]
df2["c4"] = df2["c3"] > 300
print df2
print("-" * 100 + "{[17]}") # ----- #
1.5 데이터프레임 데이터 변경(update, delete, insert)[편집]
df2 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
1.5.1 컬럼값 전체 변경[편집]
df2["c3"] = df2["c1"] + df2["c2"]
print df2
df2["c3"] = 111
print df2
print("-" * 100 + "{[18]}") # ----- #
1.5.2 컬럼 추가 후 데이터 입력[편집]
df2["newC4"] = ["a","b","c"]
print df2
1.5.3 컬럼 데이터 수정[편집]
df2["newC4"] = [111,222,333]
print df2
df2.ix[1,2] = 2000
print df
print("-" * 100 + "{[19]}") # ----- #
1.5.4 행 추가[편집]
rows = [4, 44, 444, "d"]
df2.loc[len(df2)] = rows
print df2
df2 = df2.rename(index={3:"i4"})
print df2
1.5.5 행 추가 : 빈 데이터프레임에 행 추가(인덱스 포함)[편집]
df22 = DataFrame()
dd22 = df22.append({"c1":"", "c2":"", "c3":""}, ignore_index=True)
df22.ix[0, "c1"] = "111"
df22.ix[0, "c2"] = "222"
df22.ix[0, "c3"] = "333"
print df22
1.5.6 행 추가 : 빈 데이터프레임에 행 추가(인덱스 제외)[편집]
df33 = pd.DataFrame(columns=("c1", "c2", "c3"))
df33.loc[0] = [ "111", "222", "333"]
print df33
1.5.7 행 삭제[편집]
df2 = df2.drop("i2", axis = 0)
print df2
print("-" * 100 + "{[20]}") # ----- #
1.6 데이터프레임 출력 변환[편집]
print df2.T # 피벗
print df2.values # array로 받음
print df2.shape # 행렬(Array) 형태 출력
print("-" * 100 + "{[21]}") # ----- #
1.7 인덱싱(index, reindex)[편집]
df = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
print df
df = df.reindex(["i1", "i2", "i3", "i4", "i5"])
print df
print("-" * 100 + "{[22]}") # ----- #
df = df.reindex(["i1", "i2", "i3", "i4", "i5"]).interpolate() # 보간법
print df
df["interPo"] = df["c1"].interpolate()
print df
print("-" * 100 + "{[23]}") # ----- #
1.7.1 중복 인덱싱[편집]
df = df.reindex(["i1", "i2", "i4", "i4", "i5"])
print df
print df.index.is_unique # 인덱스가 unique이면 True 리턴
print df.ix["i4"]
print("-" * 100 + "{[24]}") # ----- #
1.7.2 인덱스 컬럼명 변경[편집]
df7 = DataFrame({"c1":[1,2,3], "c2":[11,22,33], "c3":[111,222,333]}, index=["i1","i2","i3"])
df7.index.name = "id_area9"
print("-" * 100 + "{[24.5]}") # ----- #
1.7.3 기존 컬럼을 인덱스로 변경[편집]
df33 = DataFrame({"c1":[1,2], "c2":[11,22]}, index=["i1", "i2"]
print df33
df33.index.name = "idx"
print df33
df33 = df33.set_index("c1")
print df33
1.8 정렬(sort_index, sort_values)[편집]
df = DataFrame({"c2":[10,40,70], "c3":[50,20,20], "c1":[60,30,90]}, index=["i2","i1","i3"])
print df
1.8.1 정렬 : 인덱스 기준[편집]
print df.sort_index() # 인덱스명으로 정렬
print df.sort_index(axis=0) # 인덱스(?)로 정렬
print df.sort_index(axis=1) # 컬럼명(?)으로 정렬
print df.sort_index(axis=0, ascending = False) # descending
print("-" * 100 + "{[25]}") # ----- #
df2 = df.sort_index(axis = 0)
df3 = df2.sort_index(axis = 1)
print df3
print("-" * 100 + "{[26]}") # ----- #
1.8.2 정렬 : 컬럼 기준[편집]
print df.sort_values(by = "c1")
print df.sort_values(by = "c1", ascending=False)
print df.sort_values(by = ["c3","c2"])
print("-" * 100 + "{[27]}") # ----- #
1.9 NULL 처리(NaN, NA, NULL)[편집]
from numpy import nan as NA
df = DataFrame(np.random.randn(7,3))
print df
1.9.1 강제로 NA 추가[편집]
df.ix[2,1] = NA
df.ix[3,2] = NA
print df
1.9.2 NaN 변경(null if)[편집]
df.replace(np.NaN, 'NULL Value', inplace=True)
#df.column_nm.replace(np.NaN, 'NULL Value', inplace=True)
print("-" * 100 + "{[28]}") # ----- #
1.10 랭킹 및 집계처리(lambda, apply)[편집]
data = {'name': ['Jason', 'Molly', 'Tina', 'Jake', 'Amy'],
'year': [2012, 2012, 2013, 2014, 2014],
'reports': [4, 24, 31, 2, 3],
'coverage': [25, 94, 57, 62, 70]}
df = DataFrame(data, index=['Cochice', 'Pima', 'Santa Cruz', 'Maricopa', 'Yuma'])
print df
print("-" * 100 + "{[29]}") # ----- #
# -- 랭킹
# print df.rank(method="first") # 에러나는데.. 무슨 numeric일때만?
print df.rank(axis=0) # 행단위로 순위
print df.rank(axis=1) # 컬럼단위로 순위
print df.rank(ascending=False, method="max")
print("-" * 100 + "{[30]}") # ----- #
#-- 랭킹 : 한 컬럼으로 순위 선정
df['coverageRanked'] = df['coverage'].rank(ascending=1)
print df
print("-" * 100 + "{[31]}") # ----- #
1.10.1 lambda를 이용한 apply함수 사용[편집]
# 행이나 열에서의 max() - min() 활용
df = DataFrame({"c1":[20,30,90], "c2":[30,30,80], "c3":[100,40,50]}, index=["i1","i2","i3"])
print df
print df.apply(lambda x:x.max() - x.min(), axis = 0) # 행간 계산
df["newC4"] = df.apply(lambda x:x.max() - x.min(), axis = 1) # 컬럼간 계산
print df
print df.apply(lambda x:x+1) # 행/컬럼 모두
1.11 Pandas Numpy 사용법[편집]
1.11.1 numpy : 배열 구조 및 연산[편집]
import numpy as np
1.11.2 난수를 통한 배열 생성[편집]
data = np.random.randn(2,3)
print(data)
print("-"*100) # ---------------------------
1.11.3 리스트를 통한 배열 생성[편집]
data1 = [6,7,5,8,0,1]
print(data1)
arr1 = np.array(data1)
print(arr1)
1.11.4 2차원 리스트를 통한 배열 생성[편집]
data2 = [[1,2,3,4],[5,6,7,8]]
arr2 = np.array(data2)
print(arr2)
print("-"*100) # ---------------------------
1.11.5 array 구조 출력[편집]
print(arr2.shape)
1.11.6 0으로 채워진 배열 생성[편집]
print(np.zeros((2,3)))
1.11.7 순번으로 채워진 배열 생성[편집]
print(np.arange(15))
print("-"*100) # ---------------------------
1.11.8 다차원 배열 생성 및 계산[편집]
arr = np.array([[1,2,3],[4,5,6]])
print(arr)
print(arr+arr)
print(arr*arr)
print("-"*100) # ---------------------------
1.11.9 n차 배열[편집]
-- 다차원 배열 생성 및 조회
arr2d = np.array([[11,12,13],[14,15,16],[17,18,19]])
print(arr2d)
print(arr2d[1])
print(arr2d[1][2])
print(arr2d[:2, 1:])
print("-"*100) # ---------------------------
1.11.10 불리언 색인(Boolean Index)[편집]
names = np.array(["Bob", "Joe", "Will", "Bob", "Will", "Joe", "Joe"])
data = np.random.randn(7,4)
print(names)
print(data)
1.11.11 조건에 맞는지 boolean 리턴[편집]
print(names == "Bob")
print("-"*100) # ---------------------------
1.11.12 두 배열을 조합한 조회[편집]
print(data[names=="Bob"]) # Bob이 있는 행
print(data[names=="Bob",0]) # Bob이 있는 행의 0번째 열
print("-"*100) # ---------------------------
1.11.13 배열의 OR 조건 Boolean 조회[편집]
mask = (names=="Bob") | (names=="Will")
print(mask)
1.11.14 조건에 따라 배열 값 변경 조회[편집]
data[data<0] = 0
print(data)
data[names!="Joe"] = 7
print(data)
print("-"*100) # ---------------------------
1.11.15 피벗팅 및 배열 재조합[편집]
-- 피벗팅
arr = np.arange(15).reshape((3,5))
print(arr)
print(arr.T)
print("-"*100) # ---------------------------
-- 재조합
aaa = np.arange(16)
print aaa
arr = np.arange(16).reshape(2,2,4)
print(arr)
# -- 피벗팅
arr2 = arr.swapaxes(1,2)
print arr2
1.11.16 배열 조회 조건 및 집계[편집]
arr = np.random.randn(4,4)
print(arr)
print(np.where(arr>0,1,-1))
print(arr)
print("-"*100) # ---------------------------
# -- where를 이용한 조건 조회
print(np.where((00, arr<10), 3, -3))
print(np.where((0
1.11.17 정렬 및 중복제거[편집]
arr = np.random.randn(5,3)
print(arr)
# -- 정렬
arr.sort(1) # 행 단위로 정렬
print(arr)
# -- 중복제거
names = np.array(["Bob", "Joe", "Will", "Bob", "Will", "Joe", "Joe"])
print(np.unique(names)) # 중복제거
print(len(np.unique(names))) # 중복제거 개수
print(set(names)) # 뭐지?
print(np.unique(names)[1]) # 또 뭐더라?
print("-"*100) # ---------------------------
1.11.18 선형대수(행렬 연산)[편집]
x = np.array([[1,2,3],[4,5,6]])
y = np.array([[6,3],[-1,7],[8,9]])
print(x)
print(y)
# -- 행렬 곱하기?
print(x.dot(y)) # print(x*y)는 에러발생
print("-"*100) # ---------------------------
-- ?
from numpy.linalg import inv, qr
x = np.random.randn(5,5)
mat = x.T.dot(x)
print(inv(mat))
print(mat.dot(inv(mat)))
1.11.19 난수 생성[편집]
samples = np.random.normal(size =(3,4))
print(samples)
samples = np.random.normal(size =(2,2))
print(samples)
data = np.random.randn(2,2)
print(data)
1.12 For 문을 사용한 List,Dictionary 출력[편집]
import pandas as pd
1.12.1 리스트의 index, value 출력[편집]
lst = ["AAA", "BBB", "", "DDD"]
for index in range(len(lst)):
print(index, lst[index])
print("... 리스트 index, value 출력[range(len()) 사용]", "." * 100, "\n")
for idx, val in enumerate(lst):
print(idx, val)
print("... 리스트 index, value 출력[enumerate() 사용]", "." * 100, "\n")
for index in lst:
print(index)
print("... 리스트 출력", "." * 100, "\n")
1.12.2 list-in-list에서의 중복제거[편집]
oldlist = [['a', 'b', 'a'], ['a', 'p', 'f', 'b'], ['b', 's', 'r']]
newlist = list()
for sublist in oldlist:
for list in sublist:
if list not in newlist:
newlist.append(list)
print(newlist)
print(",,, list in list 중복제거", "," * 100, "\n")
1.12.3 사전의 key, value 출력[편집]
d = {"apple": 100, "orange": 200, "banana": 300}
for key, value in d.items():
print(key, value)
print(";;; 사전 key, value 출력[items() 사용]", ";" * 100, "\n")
1.12.4 데이터프레임의 index, value 출력[편집]
inp = [{'c1': 10, 'c2': 100}, {'c1': 11, 'c2': 110}, {'c1': 12, 'c2': 120}]
df = pd.DataFrame(inp)
print(df, '\n')
print("^^^ df 원본 출력", "^" * 100, "\n")
for idx, row in df.iterrows():
print("idx=", idx, " c1=", row['c1'], " c2=", row['c2']) # row[0] 형식 가능
print("^^^ DF index, column 출력[iterrows() 사용]", "^" * 100, "\n")
for idx in df.index:
print("idx=", idx)
print("^^^ DF index 출력[df.index 사용]", "^" * 100, "\n")
for row in range(0, len(df)):
print("row=", row)
1.13 DataFrame DB INSERT (ORACLE)[편집]
import pandas as pd
import cx_Oracle
-- Excel 파일읽기
df = pd.read_excel('D:\\MPAA\상장법인목록.xlsx', sheet_name='상장법인목록',usecols=[0, 1], dtype={0:str, 1:str})
-- 컬럼명 지정
df1 = df[['종목코드', '회사명']]
-- 데이터프레임을 튜플로 변경
rows = [tuple(x) for x in df1.to_records(index=False)]
-- 오라클 연결
con = cx_Oracle.connect('STOCK', '1234', 'ORCL')
cursor = con.cursor()
cursor.execute('DELETE FROM ITEM_CODE')
cursor.executemany("INSERT INTO ITEM_CODE (ITEM_CD, ITEM_NM) VALUES (:1, :2)", rows)
con.commit()
cursor.execute('SELECT COUNT(*) FROM ITEM_CODE')
cnt = cursor.fetchone()
print('Insert 건수: ', cnt)
1.14 DataFrame DB INSERT (mssql)[편집]
import pymssql
import pandas as pd
# ------------------------------
# -- Create Dataframe
# ------------------------------
df = pd.DataFrame({"a_key":[111,222,333], "b_sect":['a1','a2','a3',],
"c_mop":["aaaaa","bbbbb","ccccc"], "d_mop":["aaaaa","bbbbb","ccccc"],
"e_mop":["aaaaa","bbbbb","ccccc"], "f_mop":["aaaaa","bbbbb","ccccc"]})
print (df)
print ("... dataframe", "." * 100, "\n")
# ------------------------------
# -- Connection String
# ------------------------------
conn = pymssql.connect(host='hostname', user='user', password='password', database='db')
cur = conn.cursor()
# ------------------------------
# -- Create SQL
# ------------------------------
sql = "insert into mop.cn values(%d, %s, %s, %s, %s, %s);"
data = [tuple(x) for x in df.values]
print("sql:", sql)
print("data:", data)
print (",,, sql_statement", "," * 100, "\n")
# ------------------------------
# -- Execute SQL
# ------------------------------
cur.executemany(sql, data)
conn.commit()