Python向MySQL插入DataFrame数据时字符串转行属性值问题

你手动拼接的'row.rk'、'row.age'这类元素是纯字符串，Python不会自动把这类格式的字符串解析为row对象的属性引用，所以传入execute()方法的始终是固定的字符串字面量，最终写入数据库的自然都是这些文本，而不是字段实际值。
另外你原代码还有几个隐性问题：

• SQL语句没有包裹为字符串，直接传入execute会触发语法错误
• df.itertuples()默认会携带行索引作为第一个属性，不做处理会导致插入字段和值错位
• 逐行调用execute插入的性能极差，数据量稍大就会出现明显卡顿

方案1：修正现有逐行插入逻辑 #

用Python内置的getattr()方法，在遍历每一行的时候，通过列名字符串动态获取row对象的对应属性值即可，修正后代码如下：

# 提前定义要插入的目标列、SQL语句，不需要提前拼row.前缀
target_columns = ['rk', 'age', 'g', 'gs', 'mp', 'fg', 'fga']
insert_sql = "INSERT INTO df2(rk, age, g, gs, mp, fg, fga) VALUES (%s,%s,%s,%s,%s,%s,%s)"

for row in df.itertuples(index=False): # index=False关闭默认索引返回，避免值错位
    # 动态获取当前行每一列的实际值，组装为参数元组
    insert_params = tuple(getattr(row, col) for col in target_columns)
    mycursor.execute(insert_sql, insert_params)

mydb.commit()

getattr(对象, 属性名字符串)是Python标准的动态取属性的方法，效果和直接写row.rk、row.age完全一致，刚好解决你字符串无法转为属性引用的问题。
错误插入的效果参考：

方案2：推荐使用pandas原生批量写入（性能更高） #

如果数据量较大，不要自己写循环逐行插入，直接用pandas内置的to_sql()方法批量写入，性能比逐行插入高几十到上百倍，代码更简洁：

# 先安装依赖：pip install pymysql sqlalchemy
from sqlalchemy import create_engine

# 替换为你自己的数据库连接信息：用户名、密码、地址、端口、库名
engine = create_engine("mysql+pymysql://用户名:密码@数据库IP:3306/你的库名?charset=utf8mb4")

# 筛选目标列直接批量写入表
df[['rk', 'age', 'g', 'gs', 'mp', 'fg', 'fga']].to_sql(
    name="df2",
    con=engine,
    if_exists="append", # 追加写入，不覆盖表现有数据
    index=False, # 不写入pandas行索引
    method="multi" # 批量拼接插入语句，提升效率
)

内容的提问来源于stack exchange，提问作者beridzeg45