to_sql()默认逐行插入，性能极差；必须确认引擎是否支持executemany模式，显式指定method='multi'并合理设置chunksize（如50000），配合dtype声明、时间列标准化及服务端配置调优才能实现高效批量写入。
用 to_sql() 写入前必须确认 SQLAlchemy 引擎是否支持批量插入
默认的 to_sql() 会逐行 INSERT，性能极差。关键在于引擎是否启用 executemany 模式——这取决于底层 DBAPI 是否支持（如 pymysql 支持，mysqlclient 默认不启用）。
- 显式指定
method='multi'可触发多值 INSERT（MySQL 5.7+ 支持），大幅提升速度：df.to_sql('table', engine, method='multi', chunksize=10000) - 若用
pymysql，还需在创建引擎时加参数：connect_args={'autocommit': True}，否则事务开销吃掉性能 - 避免用
mysqlclient+method=None（默认），它会生成 N 条单行 INSERT，10 万行可能耗时分钟级
字段类型不匹配会导致 to_sql() 静默失败或截断数据
Pandas 的 object 列写入 MySQL 时，to_sql() 默认映射为 VARCHAR(255)，但实际长度可能超限；时间列若含 NaT 或时区信息，也会被转成空字符串或报错。
- 提前用
dtype参数显式声明列类型：dtype={'col1': sqlalchemy.String(500), 'col2': sqlalchemy.DateTime()} - 对含 NaN 的数值列，MySQL 的
INT不接受 NULL，需改用Integer（SQLAlchemy 类型，支持 NULL）或设nullable=True - 时间列务必先用
pd.to_datetime()标准化，并处理 NaT：df['time'] = df['time'].fillna(pd.NaT)
并发写入或表已存在时，if_exists 参数选错会清空数据
if_exists='replace' 不仅删表重建，还会丢掉索引、外键、注释等元数据；if_exists='append' 在高并发下可能因主键冲突失败，而非跳过重复。
- 安全追加：先用
engine.execute("INSERT IGNORE ...")或ON DUPLICATE KEY UPDATE替代append，需手写 SQL - 避免
replace：除非明确要重置表结构，否则用if_exists='append'+ 提前建好表（含索引和约束） - 检查目标表是否存在：
engine.dialect.has_table(engine, 'table_name')，再决定初始化逻辑
大文件分块写入时，chunksize 设太小反而更慢
chunksize=1000 对百万行数据会产生上千次 round-trip，网络和事务开销远超收益；设太大则内存溢出或锁表太久。
- 实测经验：MySQL 默认 max_allowed_packet=64M，按每行约 1KB 估算，
chunksize=50000较稳妥 - 配合
method='multi'和chunksize，单次 INSERT 最多塞 10 万行（受 MySQLmax_allowed_packet限制） - 写入前关闭 autocommit 并手动 commit：
engine.execute('SET autocommit = 0')，否则每个 chunk 都提交一次事务
真正卡点往往不在代码写法，而在 MySQL 服务端配置——比如 innodb_buffer_pool_size 过小会导致大批量写入时频繁刷盘，比 Python 层调优影响更大。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
