数据分析之Pandas VS SQL！

文章转载自公众号：数据管道

Abstract

• Pandas是一个开源的Python数据分析库，结合 NumPy 和 Matplotlib 类库，可以在内存中进行高性能的数据清洗、转换、分析及可视化工作。
• 对于数据开发工程师或分析师而言，SQL 语言是标准的数据查询工具。本文提供了一系列的示例，说明如何使用pandas执行各种SQL操作。

Pandas简介

Pandas把结构化数据分为了三类：

• Series，可以理解为一个一维的数组，只是index可以自己改动。
• DataFrame，一个类似于表格的数据类型的2维结构化数据。
• Panel，3维的结构化数据。

Dataframe实例：

对于DataFrame，有一些固有属性：

SQL VS Pandas

SELECT（数据选择）

在SQL中，选择是使用逗号分隔的列列表(或*来选择所有列):

在Pandas中，选择不但可根据列名称选取，还可以根据列所在的位置选取。相关语法如下：

• loc，基于列label，可选取特定行（根据行index）
• iloc，基于行/列的位置
• ix，为loc与iloc的混合体，既支持label也支持position
• at，根据指定行index及列label，快速定位DataFrame的元素；
• iat，与at类似，不同的是根据position来定位的；

WHERE（数据过滤）

在SQL中，过滤是通过WHERE子句完成的：

在pandas中，Dataframe可以通过多种方式进行过滤，最直观的是使用布尔索引：

在where子句中常常会搭配and, or, in, not关键词，Pandas中也有对应的实现：

SQL：

Pandas：

在where字句中搭配NOT NULL可以获得某个列不为空的项,Pandas中也有对应的实现：

SQL：

Pandas：

DISTINCT（数据去重）

SQL：

Pandas：

宝器带你画重点：

• subset，为选定的列做数据去重，默认为所有列；
• keep，可选择{'first', 'last', False}，保留重复元素中的第一个、最后一个，或全部删除；
• inplace ，Pandas 中 inplace 参数在很多函数中都会有，它的作用是：是否在原对象基础上进行修改，默认为False，返回一个新的Dataframe；若为True,不创建新的对象，直接对原始对象进行修改。

GROUP BY（数据分组）

groupby()通常指的是这样一个过程:我们希望将数据集拆分为组，应用一些函数(通常是聚合)，然后将这些组组合在一起:

常见的SQL操作是获取数据集中每个组中的记录数。

Pandas中对应的实现：

注意，在Pandas中，我们使用size()而不是count()。这是因为count()将函数应用于每个列，返回每个列中的非空记录的数量。具体如下：

还可以同时应用多个函数。例如，假设我们想要查看每个星期中每天的小费金额有什么不同。

SQL：

Pandas：

更多关于Groupy和数据透视表内容请阅读：

• 这些祝福和干货比那几块钱的红包重要的多！

JOIN（数据合并）

• 可以使用join()或merge()执行连接。
• 默认情况下，join()将联接其索引上的DataFrames。
• 每个方法都有参数，允许指定要执行的连接类型(LEFT, RIGHT, INNER, FULL)或要连接的列(列名或索引)

现在看一下不同的连接类型的SQL和Pandas实现：

• INNER JOIN

SQL：

Pandas：

• LEFT OUTER JOIN

SQL：

Pandas：

• RIGHT JOIN

SQL：

Pandas:

• FULL JOIN

SQL：

Pandas：

ORDER（数据排序）

SQL：

Pandas：

UPDATE（数据更新）

SQL：

Pandas：

DELETE（数据删除）

SQL：

Pandas：

总结：

本文从Pandas里面基本数据结构Dataframe的固定属性开始介绍，对比了做数据分析过程中的一些常用SQL语句的Pandas实现。

参考：https://mp.weixin.qq.com/s/E5LSszsKRxSa_fpJFqNABw

http://m.v.qq.com/play/play.htmlcoverid=&vid=q0836f6kewx&ptag=4_6.7.0.22106_qq