通常我们获取到的股票交易数据会以 CSV 格式文件存储在本地，不仅仅是因为 CSV 格式文件在量化领域中比较常用，最主要的是作为一种文本文件，它可以非常容易地被导入到各种表格类型的软件以及数据库中。如果要用 Pandas 库中的各种方法对这些数据进行处理和分析的话，势必要将 CSV 文件格式中的数据转换为 Pandas 支持的格式数据。 Series 是一维的数据对象，DataFrame 是二维的数据对象，股票的数据内容包括了日期、收盘价、开盘价等信息内容，很显然我们要将股票数据转换为二维的 DataFrame 数据对象。对应的 DataFrame 格式的股票交易数据，我们也需要以 CSV 文件格式另存在本地。
Pandas库提供了用于将表格型数据读取为DataFrame对象的方法，其中read_csv可支持从文件、URL、文件型对象中加载带分隔符（默认为逗号）的数据，同时也可以通过to_csv方法将DataFrame数据以逗号分隔方式存储于CSV格式文件中。本小节重点介绍下Pandas库中导入CSV格式文件和存储CSV格式文件的方法。
加载CSV文件
首先从同花顺网站导出csv文件，
接下来我们再来深究下read_csv方法不同选项参数对应的效果。方法的参数有很多，这里主要介绍几个常用参数的用法，其余参数的用法可以参考官方文档 https://docs.python.org/3/library/csv.html#module-csv
header
参数指定数据开始的行数作为列名。如果文件中没有指定列索引，则默认header=0，表示文件第0行为列索引。如果header=1，表示文件第1行作为列索引。如果header=None则表明文件数据没有列索引。除非你给定列索引的名字，否则read_csv会自动加上列索引。
import pandas as pd
# 参数header=1
df_csv_load = pd.read_csv('C:\\app\\pycharm\\projects\\myenv\\CSV_load\\table.csv', header=1, parse_dates=True, index_col=0, encoding='gb2312')
print(df_csv_load)
index_col 参数指定数据中哪一列作为Dataframe的行索引，比如前面例子中 index_col=0指定了第0列作为Dataframe的行索引。如果index_col=None，表明文件数据没有行索引时，read_csv会自动加上行索引（从0开始的整数）。index_col也可以指定多列作为Dataframe的行索引，形成层次索引，比如指定第0列和第1列作为Dataframe的行索引index_col=[0,1] 。
parse_dates参数可以为boolean形式值或者列表形式的值。这里我们采用boolean形式值，parse_dates=True，指把行索引字符串解析成时间格式。我们打印index可以看到，当parse_dates=False时行索引时间这一列数据类型dtype为object，代表了字符串类型，parse_dates=True时打印index可以看到，行索引时间这一列数据类型dtype为datatime时间格式，这样后续数据处理以及绘制图形时会比较便捷。
#参数parse_dates=False
df_csvload = pd.read_csv('C:\\app\\pycharm\\projects\\myenv\\CSV_load\\table.csv',parse_dates=False,index_col=0,encoding='gb2312')
#参数parse_dates=True打印索引信息
DatetimeIndex(['2018-01-03', '2018-01-04', '2018-01-05', '2018-01-08',
'2018-01-09', '2018-01-10', '2018-01-11', '2018-01-12',
'2018-01-15', '2018-01-16', '2018-01-17', '2018-01-18',
'2018-01-19', '2018-01-22', '2018-01-23', '2018-01-24',
'2018-01-25', '2018-01-26', '2018-01-29', '2018-01-30',
'2018-01-31'],
dtype='datetime64[ns]', name='2018/1/2', freq=None)
#参数parse_dates=False打印索引信息
Index(['2018/1/2', '2018/1/3', '2018/1/4', '2018/1/5', '2018/1/8', '2018/1/9',
'2018/1/10', '2018/1/11', '2018/1/12', '2018/1/15', '2018/1/16',
'2018/1/17', '2018/1/18', '2018/1/19', '2018/1/22', '2018/1/23',
'2018/1/24', '2018/1/25', '2018/1/26', '2018/1/29', '2018/1/30',
'2018/1/31'],
dtype='object', name='Date')
encoding用于指定unicode文本编码的格式。我们知道字符串在Python内部的表示是unicode编码，因此在进行编码转换时，通常需要以unicode作为中间编码，先将其他编码的字符串解码decode成unicode，再从unicode编码encode成另一种编码）。此处编码格式为'gb2312'，如果格式不对应的话控制台会将中文解析为乱码。
- 存储CSV文件
用read_csv方法读取CSV文件的数据并转换为DataFrame格式的数据后，接下来我们对这些DataFrame数据进行扩充，用to_csv方法另存为CSV文件。这里就扩充2个交易日的股票数据，并合并至从table.csv文件中加载获取的DataFrame数据中。df_csv_load是我们创建的DataFrame对象，支持to_csv这个方法。括号中第一个参数为存储路径，columns和index分别指定写入列索引和行索引内容。
import datetime
import pandas as pd
# 获取数据
df_csv_load = pd.read_csv('C:\\app\\pycharm\\projects\\myenv\\CSV_load\\table.csv', header=1, parse_dates=True, index_col=0, encoding='gb2312')
# 扩充2个交易日的股票数据
df_add_dat = pd.DataFrame([{u'Open':1.1, u'High':1.2, u'Low':1.3, u'Close':1.4}, {u'Open':2.1, u'High':2.2, u'Low':2.3, u'Close':2.4}],index=[datetime.datetime.strptime("2016-06-25 00:00:00", "%Y-%m-%d %H:%M:%S"),datetime.datetime.strptime("2016-06-26 00:00:00", "%Y-%m-%d %H:%M:%S")])
df_csv_load = df_csv_load.append(df_add_dat)
#存储csv文件数据
df_csv_load.to_csv('C:\\app\\pycharm\\projects\\myenv\\CSV_load\\table-add.csv', columns=df_csv_load.columns, index=True)
print(df_csv_load)
