SQL和Python几乎是当前数据分析师必须要了解的两门语言,它们在处理数据时有什么区别?本文将分别用MySQL
和pandas
来展示七个在数据分析中常用的操作,希望可以帮助掌握其中一种语言的读者快速了解另一种方法!
在阅读本文前,你可以访问下方网站下载本文使用的示例数据,并导入MySQL与pandas中,一边敲代码一边阅读!
https://raw.githubusercontent.com/pandas-dev/pandas/master/pandas/tests/io/data/csv/tips.csv
一、选择
在SQL中,我们可以使用SELECT
语句从表选择数据,结果被存储在一个结果表中,语法如下:
SELECT column_name,column_name
FROM table_name;
如果不想显示全部的记录,可以使用TOP
或LIMIT
来限制行数。因此选择tips表中的部分列可以使用下面的语句
SELECT total_bill, tip, smoker, time
FROM tips
LIMIT 5;
而在pandas中,我们可以通过将列名列表传递给DataFrame来完成列选择
在SQL中,进行选择的同时还可以进行计算,比如添加一列
SELECT *, tip/total_bill as tip_rate
FROM tips
LIMIT 5;
在pandas中使用DataFrame.assign()
同样可以完成这个操作
二、查找
在SQL中,WHERE
子句用于提取那些满足指定条件的记录,语法如下
SELECT column_name,column_name
FROM table_name
WHERE column_name operator value;
比如查找示例数据中time = dinner
的记录
SELECT *
FROM tips
WHERE time = 'Dinner'
LIMIT 5;
而在pandas中,按照条件进行查找则可以有多种形式,比如可以将含有True/False
的Series对象传递给DataFrame,并返回所有带有True的行
在SQL中,进行多条件查找可以使用AND/OR来完成
SELECT *
FROM tips
WHERE time = 'Dinner' AND tip > 5.00;
在pandas中也有类似的操作
在pandas检查空值是使用notna()
和isna()
方法完成的。
frame[frame['col1'].notna()]
在SQL中可以使用IS NULL
和IS NOT NULL
完成
SELECT *
FROM frame
WHERE col2 IS NULL;
SELECT *
FROM frame
WHERE col1 IS NOT NULL;
三、更新
在SQL中使用UPDATE
UPDATE tips
SET tip = tip*2
WHERE tip < 2;
而在pandas中则有多种方法,比如使用loc
函数
tips.loc[tips['tip'] < 2, 'tip'] *= 2
四、删除
在SQL中使用DELETE
DELETE FROM tips
WHERE tip > 9;
在pandas中,我们选择应保留的行,而不是删除它们
tips = tips.loc[tips['tip'] <= 9]
五、分组
在pandas中,使用groupby()
方法实现分组。groupby()
通常是指一个过程,在该过程中,我们希望将数据集分为几组,应用某些功能(通常是聚合),然后将各组组合在一起。
常见的SQL操作是获取整个数据集中每个组中的记录数。例如,通过对性别进行分组查询
SELECT sex, count(*)
FROM tips
GROUP BY sex;
在pandas中的等价操作为
注意,在上面代码中,我们使用size()而不是count() 这是因为count()将函数应用于每一列,并返回每一列中非空记录的数量!
六、连接
在pandas可以使用join()
或merge()
进行连接,每种方法都有参数,可让指定要执行的联接类型(LEFT,RIGHT,INNER,FULL)或要联接的列。
现在让我们重新创建两组示例数据,分别用代码来演示不同的连接
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)})
内联接使用比较运算符根据每个表共有的列的值匹配两个表中的行,在SQL中实现内连接使用INNER JOIN
SELECT *
FROM df1
INNER JOIN df2
ON df1.key = df2.key;
在pandas中可以使用merge()
merge()
提供了一些参数,可以将一个DataFrame的列与另一个DataFrame的索引连接在一起?
在SQL中实现左/右外连接可以使用LEFT OUTER JOIN
和RIGHT OUTER JOIN
SELECT *
FROM df1
LEFT OUTER JOIN df2
ON df1.key = df2.key;
SELECT *
FROM df1
RIGHT OUTER JOIN df2
ON df1.key = df2.key;
在pandas中实现同样可以使用merge()
并指定how关键字为left
或者right
即可
全连接返回左表和右表中的所有行,无论是否匹配,但并不是所有的数据库都支持,比如mysql就不支持,在SQL中实现全连接可以使用FULL OUTER JOIN
SELECT *
FROM df1
FULL OUTER JOIN df2
ON df1.key = df2.key;
在pandas中实现同样可以使用merge()
并指定how关键字为outer
七、合并
SQL中UNION操作用于合并两个或多个SELECT语句的结果集,UNION
与UNION ALL
类似,但是UNION将删除重复的行。示例代码如下
SELECT city, rank
FROM df1
UNION ALL
SELECT city, rank
FROM df2;
/*
city rank
Chicago 1
San Francisco 2
New York City 3
Chicago 1
Boston 4
Los Angeles 5
*/
在pandas中可以使用concat()
实现UNION ALL
上面是UNION ALL
保留重复值,如果希望删除可以使用 drop_duplicates()
以上就是本文的全部内容,可以看到在不同的场景下不同的语言有着不同的特性,如果你想深入学习了解可以进一步查阅官方文档并多加练习!
-END-
来源:pandas官方文档 https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_sql.html 编译:刘早起(有删改)