Python Jupyter加载CSV创建类对象的保存与重载方法咨询

直接根据你当前的开发阶段选对应方案即可，不需要改动现有核心逻辑： #

方案1：原生pickle序列化（初期开发首选，零改造成本） #

这是最适配你当前场景的方案，不需要修改Player类和addDirectory的现有逻辑，直接把存储所有球员实例的容器、directory主字典整体序列化存为本地文件，重启后反序列化就能完整恢复所有对象的属性、ID与索引的对应关系，和你关闭Notebook前的状态完全一致。
直接在现有代码后追加保存、加载函数即可：

import pickle

# 所有球员对象创建、directory更新完成后调用保存
def save_data(file_path="mlb_player_db.pkl"):
    # 注意把player_pool替换成你自己存储所有Player实例的变量名，比如你用ID为key存实例的字典
    payload = {
        "player_pool": player_pool,
        "directory": directory
    }
    with open(file_path, "wb") as f:
        pickle.dump(payload, f)
    print(f"数据已保存，共记录{len(directory['ID'])}名球员")

# Notebook重启后，先运行完Player类、addDirectory的定义代码，再调用加载
def load_data(file_path="mlb_player_db.pkl"):
    global player_pool, directory
    with open(file_path, "rb") as f:
        payload = pickle.load(f)
    player_pool = payload["player_pool"]
    directory = payload["directory"]
    print(f"加载完成，共恢复{len(directory['ID'])}名球员对象")

注意事项：加载前必须先运行Player类的定义代码，否则反序列化会因找不到类定义报错；pkl文件仅适合本地自己使用，不要加载来源不明的pkl文件避免安全风险。 #

方案2：结构化存储+批量重建（适合数据规模增长后的长期使用场景） #

如果后续球员数据量涨到数万条、需要频繁做统计筛选，可以把所有球员属性按结构化字段存储为parquet/csv，或是导入SQLite本地数据库，重启时遍历存储的记录批量重建Player实例、还原ID和索引映射即可。
这个方案的优势是数据通用性强，直接用pandas读取就能做统计分析，后续调整Player类属性时也不会出现旧数据无法加载的兼容问题。
核心重建逻辑参考：

import pandas as pd

# 保存时直接将directory转为DataFrame落盘
pd.DataFrame(directory).to_parquet("mlb_player_data.parquet", index=False)

# 加载时遍历记录重建实例
def rebuild_from_file(file_path="mlb_player_data.parquet"):
    player_pool = {}
    df = pd.read_parquet(file_path)
    directory = df.to_dict(orient="list")
    for idx, row in df.iterrows():
        # 按Player类初始化参数传入对应字段
        player = Player(
            number=row["number"],
            first=row["First"],
            last=row["Last"],
            pos=row["Position"],
            cls=row["cls"],
            ht=row["Height"],
            wt=row["Weight"],
            bat=row["Bats"],
            throw=row["Throws"],
            birthdate=row["birthdate"],
            organization=row["Organization"],
            team=row["Team"],
            level=row["Level"]
        )
        # 补全addDirectory中添加的附加属性
        player.id = row["ID"]
        player.status = row["Status"]
        player.active = row["active"]
        player.expanded = True if row["40-Man"] == "Yes" else False
        player.index = idx
        player_pool[player.id] = player
    return player_pool, directory

方案3：dill序列化（兼容复杂对象场景） #

如果你后续给Player类添加了闭包、自定义嵌套函数、lambda表达式等原生pickle无法序列化的内容，直接把pickle换成dill即可，两者API完全一致，dill对复杂Python对象的序列化兼容性更强。
安装后直接替换导入语句就行：

# 先执行pip install dill安装
import dill as pickle
# 后续保存、加载的代码和方案1完全相同

选型建议：当前开发初期直接用方案1，几行代码就能解决重启丢数据的问题，等后续功能稳定、数据量上涨后再切换到方案2做结构化存储，全程不会影响你现有基于球员ID、索引做的信息更新逻辑。

内容的提问来源于stack exchange，提问作者Mike Hagen