查看原文
其他

Pandas vs SQL

The following article is from 渡码 Author 渡码

今天来分享下 Pandas 与 SQL 的对比。

Pandas 和 SQL 有很多相似之处,都是对二维表的数据进行查询、处理,都是数据分析中常用的工具。

对于只会 Pandas 或只会 SQL 的朋友,可以通过今天例子快速学会另一个。

1. 数据查询

首先,读取数据

import pandas as pd
import numpy as np

tips = pd.read_csv('tips.csv')


tips
1.1 查询列

查询 total_billtip 两列

tips[["total_bill""tip"]]

用 SQL 实现:

select total_bill, tip
from tips;
1.2 增加列

查询结果中,新增一列tip_rate

tips['tip_rate'] = tips["tip"] / tips["total_bill"]

用 SQL 实现:

select *, tip/total_bill as tip_rate
from tips;
1.3 筛选条件

查询 time列等于Dinner并且tip列大于5的数据

tips[(tips["time"] == "Dinner") & (tips["tip"] > 5.00)]

用 SQL 实现:

select *
from tips
where time = 'Dinner' and tip > 5.00;


2. 分组聚合

按照某列分组计数

tips.groupby("sex").size()

'''
sex
Female     87
Male      157
dtype: int64
'''

用 SQL 实现:

select sex, count(*)
from tips
group by sex;

按照多列聚合多个值

tips.groupby(["smoker""day"]).agg({"tip": [np.size, np.mean]})

用 SQL 实现:

select smoker, daycount(*), avg(tip)
from tips
group by smoker, day;


3. join

构造两个临时DataFrame

df1 = pd.DataFrame({"key": ["A""B""C""D"], "value": np.random.randn(4)})
df2 = pd.DataFrame({"key": ["B""D""D""E"], "value": np.random.randn(4)})

先用 Pandas 分别实现inner joinleft joinright joinfull join

# inner join
pd.merge(df1, df2, on="key")

# left join
pd.merge(df1, df2, on="key", how="left")

# inner join
pd.merge(df1, df2, on="key", how="right")

# inner join
pd.merge(df1, df2, on="key", how="outer")

用 SQL 分别实现:

# inner join
select *
from df1 inner join df2
on df1.key = df2.key;

# left join
select *
from df1 left join df2
on df1.key = df2.key;

# right join
select *
from df1 right join df2
on df1.key = df2.key;

# full join
select *
from df1 full join df2
on df1.key = df2.key;

4. union

将两个表纵向堆叠

pd.concat([df1, df2])

用 SQL 实现:

select *
from df1

union all

SELECT *
from df2;

将两个表纵向堆叠并去重

pd.concat([df1, df2]).drop_duplicates()

用 SQL 实现:

select *
from df1

union

SELECT *
from df2;


5. 开窗

tipsday列取值相同的记录按照total_bill排序。

(tips.assign(
        rn=tips.sort_values(["total_bill"], ascending=False)
        .groupby(["day"])
        .cumcount()
        + 1
    )
    .sort_values(["day""rn"])
)

用 SQL 实现:

select
    *,
    row_number() over(partition by day order by total_bill descas rn
from tips t

day列取值相同的记录会被划分到同一个窗口内,并按照total_bill排序,窗口之间的数据互不影响,这类操作便被称为开窗

今天的内容就到这里啦。通过几个简单的实践案例大家可以直观感受下 Pandas 和 SQL 在数据处理上的相似之处。


- EOF -


推荐阅读  点击标题可跳转

1、这 25 个 Pandas 实用技巧你都会吗

2、18000 字的 SQL 优化大全,收藏直接起飞!

3、最强最全面的大数据 SQL 面试题和答案



看完本文有收获?请转发分享给更多人

推荐关注「数据分析与开发」,提升数据技能

点赞和在看就是最大的支持❤️

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存