Python导入数据需依来源选工具，pandas最常用：支持CSV（注意编码、分隔符）、Excel（需安装openpyxl）、数据库（sqlalchemy引擎）、网页（read_html）、JSON（read_json或json_normalize）及内存对象（DataFrame构造）。

在 Python 中导入数据，核心是根据数据来源和格式选择合适的工具和方法。最常用的是 pandas 库，它支持从文件、数据库、网络等多种渠道读取结构化数据。

从常见文件格式导入数据

大多数初学者从本地文件开始，pandas 提供了简洁统一的接口：

• CSV 文件：用 pd.read_csv("data.csv")。注意编码（如中文乱码时加 encoding="utf-8" 或 "gbk"）、分隔符（sep="\t" 读取 TSV）、是否含表头（header=None）等参数。
• Excel 文件：用 pd.read_excel("data.xlsx", sheet_name=0)。可指定工作表名或索引，需提前安装 openpyxl 或 xlrd（旧版 xls）。
• 文本文件（固定宽/空格分隔）：用 pd.read_table("data.txt", sep="\s+") 或 pd.read_fwf() 处理对齐文本。

从数据库导入数据

连接数据库后，可用 pandas.read_sql() 直接加载查询结果：

• 先用 sqlalchemy.create_engine() 创建数据库引擎，例如：
  engine = create_engine("sqlite:///example.db")
• 再执行：
  df = pd.read_sql("SELECT * FROM users", engine)
• 支持 PostgreSQL、MySQL、SQL Server 等，只需更换连接字符串和对应驱动（如 psycopg2、pymysql）。

从网页或 API 导入数据

适合获取实时或公开数据：

• 网页表格（HTML）：用 pd.read_html("https://example.com/page.html")，返回列表，取 [0] 获取第一个表格。
• JSON 数据：若 API 返回 JSON，可用 pd.read_json("data.json") 或配合 requests 获取响应后解析：
  res = requests.get(url).json() → df = pd.json_normalize(res)（处理嵌套结构）。
• 注意设置请求头、处理认证（如 token）、控制频率，避免被封 IP。

从其他 Python 对象或内存中导入

调试或中间处理时常需要构造或转换数据：

• 从字典或列表创建：
  df = pd.DataFrame([{"name": "Alice", "age": 25}, {"name": "Bob", "age": 30}])
• 从 NumPy 数组：
  df = pd.DataFrame(np_array, columns=["col1", "col2"])
• 从已有 DataFrame 的子集或计算结果直接复用，无需“导入”，而是生成新对象。

导入前建议先用 head()、info()、dtypes 快速检查数据是否正确读入，尤其关注缺失值、列类型和索引。不复杂但容易忽略。