在Python中使用pandas进行文件读取和写入的方法如下：
CSV 文件： 读取：使用 read_csv 方法。可以通过 index_col 参数指定索引列，keep_default_na 和 na_values 参数自定义缺失值处理行为。 写入：使用 to_csv 方法。需要指定文件路径，并确保后缀为 .csv。可通过 index 参数控制是否保留索引，na_rep 参数自定义缺失值标记。
Excel 文件： 读取：使用 read_excel 方法。可能需要安装额外的第三方库，如 openpyxl 或 xlrd。可以通过 sheet_name 参数指定工作表，header 参数指定表头行。 写入：使用 to_excel 方法。可指定工作表名称和起始单元格位置，通过 index 参数控制是否保留索引。
JSON 文件： 读取：使用 read_json 方法。JSON 文件顺序可能与 CSV 不同，需要注意数据结构。 写入：使用 to_json 方法。可以指定文件路径和后缀，以及数据格式。
HTML 文件： 读取：使用 read_html 方法。可以读取网页中的表格数据，返回 DataFrame 列表。 生成：使用 to_html 方法。将 DataFrame 转换为 HTML 格式的字符串，便于可视化展示。
SQL 数据库： 使用 Pandas 与 SQLAlchemy 库结合，实现数据读写。支持 SQLite 等数据库。通过 read_sql_query 或 read_sql_table 方法读取数据，to_sql 方法写入数据。
Pickle 文件： 保存：使用 to_pickle 方法。将 DataFrame 序列化为 Pickle 文件，便于后续快速加载。 加载：使用 read_pickle 方法。读取 Pickle 文件，反序列化为 DataFrame。
处理大文件： 压缩文件：Pandas 可自动识别 .gz、.bz2、.zip 和 .xz 等压缩文件。使用 read_csv 或其他读取方法时，可指定压缩类型。 列选取：使用 usecols 参数选择所需列，减少内存占用。 数据类型转换：强制使用较低精度数据类型，如从 64 位浮点数转换为 32 位浮点数，减少内存消耗。 数据块遍历：通过 chunksize 参数将大文件拆分小块处理，结合 for 循环汇总数据，优化内存使用。
这些方法使得 Pandas 成为 Python 中处理数据文件的强大工具，能够高效地进行数据读取、写入和转换。