上一期对于pandas的数据结构以及基本的增查删改进行了简单的介绍，这一期接着利用pandas进行读写文件。
1.读取文件
利用pandas读取文件主要用到的函数是read_xx()，读取后数据结构为dataframe，接下来对read_xx()进行一一讲解。
1.1 excel文件
pd.read_excel()可以用来读取excel文件，主要涉及到的参数有：
(1)sheet_name: excel文件中的表名
(2)index_col: 使用哪一列作为行索引，默认从0开始
(4)usecols: 读取表格中哪几列，必须是位置索引
(5)header: 哪一行设置为列索引，默认是第一行，即header = 0
(6)date_parser：解析日期的函数
(7)parse_dates：尝试将数据解析为日期，默认为False。如果为True，则尝试解析所有列。此外，还可以指定需要解析的一组列号或者列名
(8)names: 列索引
(9)engine: 默认是C，如文件路径存在中文时，engine= "python"
(10)encoding: 默认是utf-8，还可以是gbk
(11)skiprows: 跳过前几行读取文件，默认从0开始
(12)nrows: 读取多少行数据
(13) converters: 列名跟函数之间的映射关系组成的字典
import
sheet_name用来指定读取文件中哪个表格，可以是表格的名字或者是表格所在的位置，默认从0开始；
index_col指定用哪一列作为行索引，可以是具体的列名，也可以是列的位置索引，默认从0开始；
nrows就不用多说了，只读取多少行，为了方便查看数据的结构，示例只读取5行。
df
usecols指定读取列，须是列的位置索引，默认从0开始；
header指定哪一行设置为列索引，默认为0，还可以是1或者None；
#以header = 0，以第一行为列索引
header = None，表明不以表格的行为列索引，即没有表头，默认从0开始，如原来表格有列索引，则原来索引变为第一行数据；
df
列名的设置，可以通过header = None搭配names参数来重设，或者header = None搭配df.columns()来设置；
skiprows,跳过前几行读取；
df
因为原来的表格有表头，因此用header = None时，原来的表头会变成第一行数据，因此使用skiprows =1，跳过了第一行的读取。
df
1.2 csv文件
csv文件是以逗号为分隔符的文件，读取参数与excel基本类似，与excel的读取不一样的地方在于如遇到中文路径必须得设置engine参数；
文件为gbk格式的csv，若不设置encoding参数，会报错，并且文件路径带有中文，需要设置engine参数，不然也会报错；
df
encoding默认是utf-8格式，根据需要还可能是gbk，示例就是gbk格式；
engine指定读取引擎，默认是c语言，如有路径有中文，需设置为python，python引擎更为全面；
1.3 txt文件
txt文件是以指制表符t为分隔符的文件，读取时用到read_table来读取，参数与excel、csv基本类似，不同的地方在于必须要指定sep。
df
2. 写入文件
2.1写入文件
excel，csv，txt写入文件的方式基本类似，以pandas的to_xx()方式写入；因为三者类似，这里只用excel格式来示例。
(1)index： 是否保留行索引
(2)columns: 通过列索引指定所需列
(3)sheet_name: 表名
(4)encoding：编码格式，utf-8或者gbk
(5)na_rep： 缺失值填充
(6)inf_rep：无穷值填充
(7)index_label: 行索引标签
(8)header: 默认为True，False没有列索引，如需更改列名，则header = ["列1","列2","列3"]
df
to_csv时需记得设置sep参数！
2.2 多个表写入同个文件
多个数据表需同时写入一个文件时，需用到pandas的ExcelWriter。 步骤如下：
writer
3.批量读取文件
很多时候我们会遇到数据表结构类似，甚至结构相同的文件。处理时如果一个一个的读取，那就太慢了，不符合使用python的我们的风格，我们可以使用循环将多个类似的数据表同时读取，如：
import
