【硬核干货】数据分析哪家强？选Pandas还是选SQL

建立数据库

首先我们通过SQL语句在新建一个数据库，基本的语法相信大家肯定都清楚，

CREATE TABLE 表名 (
  字段名称 数据类型 ...
)

那么我们来看一下具体的代码

import pandas as pd
import sqlite3
connector = sqlite3.connect('public.db')
my_cursor = connector.cursor()
my_cursor.executescript("""
CREATE TABLE sweets_types
(
    id integer NOT NULL,
    name character varying NOT NULL,
    PRIMARY KEY (id)
);
...篇幅有限，详细参考源码...
""")

同时我们也往这些新建的表格当中插入数据，代码如下

my_cursor.executescript("""
INSERT INTO sweets_types(name) VALUES
    ('waffles'),
    ('candy'),
    ('marmalade'),
    ('cookies'),
    ('chocolate');
...篇幅有限，详细参考源码...
""")

我们可以通过下面的代码来查看新建的表格，并且转换成DataFrame格式的数据集，代码如下

df_sweets = pd.read_sql("SELECT * FROM sweets;", connector)

output

df_manufacturers = pd.read_sql("SELECT * FROM manufacturers", connector)

output

加工的数据集当中则涉及到了工厂的主要负责人和联系方式，而仓储的数据集当中则涉及到了仓储的详细地址、城市所在地等等

df_storehouses = pd.read_sql("SELECT * FROM storehouses", connector)

output

还有甜品的种类数据集，

df_sweets_types = pd.read_sql("SELECT * FROM sweets_types;", connector)

output

数据筛查

简单条件的筛选

# 转换数据类型
df_sweets['weight'] = pd.to_numeric(df_sweets['weight'])
# 输出结果
df_sweets[df_sweets.weight == 300].name

output

1      Mikus
6     Soucus
11     Macus
Name: name, dtype: object

当然我们还可以通过pandas当中的read_sql()方法来调用SQL语句

pd.read_sql("SELECT name FROM sweets WHERE weight = '300'", connector)

output

我们再来看一个相类似的案例，筛选出成本等于100的甜品名称，代码如下

# Pandas
df_sweets['cost'] = pd.to_numeric(df_sweets['cost'])
df_sweets[df_sweets.cost == 100].name

# SQL
pd.read_sql("SELECT name FROM sweets WHERE cost = '100'", connector)

output

Milty

针对文本型的数据，我们也可以进一步来筛选出我们想要的数据，代码如下

# Pandas
df_sweets[df_sweets.name.str.startswith('M')].name

# SQL
pd.read_sql("SELECT name FROM sweets WHERE name LIKE 'M%'", connector)

output

Milty
Mikus
Mivi
Mi
Misa
Maltik
Macus

当然在SQL语句当中的通配符，%表示匹配任意数量的字母，而_表示匹配任意一个字母，具体的区别如下

# SQL
pd.read_sql("SELECT name FROM sweets WHERE name LIKE 'M%'", connector)

output

pd.read_sql("SELECT name FROM sweets WHERE name LIKE 'M_'", connector)

output

复杂条件的筛选

# Pandas
df_sweets[(df_sweets.cost == 150) & (df_sweets.weight == 300)].name

# SQL
pd.read_sql("SELECT name FROM sweets WHERE cost = '150' AND weight = '300'", connector)

output

Mikus

或者是筛选出成本价控制在200-300之间的甜品名称，代码如下

# Pandas
df_sweets[df_sweets['cost'].between(200, 300)].name

# SQL
pd.read_sql("SELECT name FROM sweets WHERE cost BETWEEN '200' AND '300'", connector)

output

要是涉及到排序的问题，在SQL当中使用的是ORDER BY语句，代码如下

# SQL
pd.read_sql("SELECT name FROM sweets ORDER BY id DESC", connector)

output

而在Pandas模块当中调用的则是sort_values()方法，代码如下

# Pandas
df_sweets.sort_values(by='id', ascending=False).name

output

11     Macus
10    Maltik
9        Sor
8         Co
7     Soviet
6     Soucus
5     Soltic
4       Misa
3         Mi
2       Mivi
1      Mikus
0      Milty
Name: name, dtype: object

筛选出成本价最高的甜品名称，在Pandas模块当中的代码是这个样子的

df_sweets[df_sweets.cost == df_sweets.cost.max()].name

output

11    Macus
Name: name, dtype: object

而在SQL语句当中的代码，我们需要首先筛选出成本最高的是哪个甜品，然后再进行进一步的处理，代码如下

pd.read_sql("SELECT name FROM sweets WHERE cost = (SELECT MAX(cost) FROM sweets)", connector)

我们想要看一下是仓储的城市具体是有哪几个，在Pandas模块当中的代码是这个样子的，通过调用unique()方法

df_storehouses['city'].unique()

output

array(['Moscow', 'Saint-petersburg', 'Yekaterinburg'], dtype=object)

而在SQL语句当中则对应的是DISTINCT关键字

pd.read_sql("SELECT DISTINCT city FROM storehouses", connector)

数据分组统计

在Pandas模块当中分组统计一般调用的都是groupby()方法，然后后面再添加一个统计函数，例如是求分均值的mean()方法，或者是求和的sum()方法等等，例如我们想要查找出在不止一个城市生产加工甜品的名称，代码如下

df_manufacturers.groupby('name').name.count()[df_manufacturers.groupby('name').name.count() > 1]

output

name
Mishan    2
Name: name, dtype: int64

而在SQL语句当中的分组也是GROUP BY，后面要是还有其他条件的话，用的是HAVING关键字，代码如下

pd.read_sql("""
SELECT name, COUNT(name) as 'name_count' FROM manufacturers
GROUP BY name HAVING COUNT(name) > 1
""", connector)

数据合并

当两个数据集或者是多个数据集需要进行合并的时候，在Pandas模块当中，我们可以调用merge()方法，例如我们将df_sweets数据集和df_sweets_types两数据集进行合并，其中df_sweets当中的sweets_types_id是该表的外键

df_sweets.head()

output

df_sweets_types.head()

output

具体数据合并的代码如下所示

df_sweets_1 = df_sweets.merge(df_sweets_types, left_on='sweets_types_id', right_on='id')

output

我们再进一步的筛选出巧克力口味的甜品，代码如下

df_sweets_1.query('name_y == "chocolate"').name_x

output

10    Misa
11     Sor
Name: name_x, dtype: object

而SQL语句则显得比较简单了，代码如下

# SQL
pd.read_sql("""
SELECT sweets.name FROM sweets
JOIN sweets_types ON sweets.sweets_types_id = sweets_types.id
WHERE sweets_types.name = 'chocolate';
""", connector)

output

数据集的结构

我们来查看一下数据集的结构，在Pandas模块当中直接查看shape属性即可，代码如下

df_sweets.shape

output

(12, 10)

而在SQL语句当中，则是

pd.read_sql("SELECT count(*) FROM sweets;", connector)

output