对比MySQL，学会在Pandas中实现SQL的常用操作

本文说明

我相信你如果学习了Pandas，就一定是想从事数据分析这样一个行业。既然你想从事数据分析行业，那我就默认你肯定是会Sql，即使你现在不会，你以后也要会。

本文初步对比Sql，说明如何使用Pandas中执行各种SQL操作。真的！好像对比起来，学习什么都快了。

本文大纲

引入相关库和数据读取

import numpy as np
import pandas as pd

df = pd.read_csv("tips.csv",encoding="gbk")
df.head()

结果如下：

1. Select数据查询

在SQL中，选择是使用您要选择的列（用逗号分隔）或（*选择所有列）来完成的。

SELECT '总费用', '小费', '是否吸烟', '吃饭时间'
FROM df
LIMIT 5;

对于pandas，通过将列名列表传递给DataFrame来完成列选择。

df[['总费用', '小费', '是否吸烟', '吃饭时间']].head(5)

结果如下：

注意：调用不带列名列表的DataFrame将显示所有列（称为SQL的*）。

在SQL中，您可以添加一个计算列：

SELECT *, "小费"/"总费用" as "小费占比"
FROM df
LIMIT 5;

对于pandas，可以使用DataFrame.assign()的方法追加新列。

df.assign(小费占比=df['小费'] / df['总费用']).head(5)

结果如下：

2. Where按条件查询

通过WHERE子句在SQL中进行过滤。

SELECT *
FROM df
WHERE 吃饭时间 = '晚餐'
LIMIT 5;

DataFrame可以通过多种方式进行过滤。最直观的方法是使用布尔索引。

df[df['吃饭时间'] == '晚餐'].head(5)

结果如下：

上面的语句只是将Series的True / False对象传递给DataFrame，并返回所有带有True的行。

is_dinner = df['吃饭时间'] == '晚餐'
is_dinner.value_counts()
df[is_dinner].head(5)

结果如下：

就像SQL的OR和AND一样，可以使用|将多个条件传递给DataFrame。|（OR）和＆（AND）。

SELECT *
FROM df
WHERE 吃饭时间 = '晚餐' AND 小费 > 5.00;

那么，在DataFrame代码应该怎么写呢？

df[(df['吃饭时间'] == '晚餐') & (df['小费'] > 5.00)]

结果如下：

3. in和not in条件查询

我们先来看看在SQL中应该怎么做。

SELECT *
FROM df
WHERE 星期几 in (周四，周五)
LIMIT 5;

对比到DataFrame中，我们再看看怎么做？

df[df["星期几"].isin(['周四','周五'])].head(5)

结果如下：

如果是not in，对比到DataFrame中，直接使用取反操作（~）。

df[~df["星期几"].isin(['周四','周五'])].head(5)

结果如下：

4.group by分组统计

在Pandas中，SQL的GROUP BY操作是使用类似命名的groupby()方法执行的。groupby()通常是指一个过程，在该过程中，我们希望将数据集分成多个组，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，通过查询可以了解性别留下的提示数量。

SELECT "性别", count(*)
FROM df
GROUP BY 性别;

对比到DataFrame中，应该是这样的。

df.groupby('性别').size()

结果如下：

注意，在pandas代码中我们使用了size()而不是count()。这是因为count()将函数应用于每一列，并返回每一列中的记录数。

df.groupby('性别').count()

结果如下：

如果想要使用count()方法应用于单个列的话，应该这样做。（后面需要随意选择一列）

df.groupby('性别')["总费用"].count()

结果如下：

也可以一次应用多种功能。例如，假设我们要查看小费金额在一周中的各个天之间有何不同--->agg()允许您将字典传递给分组的DataFrame，从而指示要应用于特定列的函数。

在SQL中：

SELECT 星期几, AVG(小费), COUNT(*)
FROM df
GROUP BY 星期几;

在Dataframe中：

df.groupby('星期几').agg({'小费': np.mean, '星期几': np.size})

结果如下：

通过将一列列传递给方法，来完成按多个列分组groupby()。在SQL中：

SELECT 是否吸烟, 星期几, COUNT(*), AVG(小费)
FROM tips
GROUP BY 是否吸烟, 星期几;

在Dataframe中：

df.groupby(['是否吸烟', '星期几']).agg({'小费': [np.size, np.mean]})

结果如下：

5.join数据关联

可以使用join()或merge()执行JOIN。默认情况下，join()将在其索引上联接DataFrame。每个方法都有参数，可让您指定要执行的联接类型（LEFT，RIGHT，INNER，FULL）或要联接的列（列名或索引）。但是还是推荐使用merge()函数。

1）数据准备

df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'],
                    'value': [1, 3, 5, 7]})

df2 = pd.DataFrame({'key': ['B', 'D', 'D', 'E'],
                    'value':[2, 4, 6, 8]})

结果如下：

假设我们有两个数据库表，它们的名称和结构与我们的DataFrames相同。现在让我们看一下各种类型的JOIN。

2）inner join内连接

在SQL中：

SELECT *
FROM df1
INNER JOIN df2
  ON df1.key = df2.key;

在Dataframe中：

pd.merge(df1, df2, on='key')

结果如下：

3）left outer join左连接

在SQL中：

SELECT *
FROM df1
LEFT OUTER JOIN df2
  ON df1.key = df2.key;

在Dataframe中：

pd.merge(df1, df2, on='key', how='left')

结果如下：

4）right join右连接

在SQL中：

SELECT *
FROM df1
RIGHT OUTER JOIN df2
  ON df1.key = df2.key;

在Dataframe中：

pd.merge(df1, df2, on='key', how='right')

结果如下：

5）full join全连接

注意在MySQL中是不支持全连接的，一般是使用union完成这个操作的，这将在下面一个知识点中体现。

在Dataframe中：

pd.merge(df1, df2, on='key', how='outer')

结果如下：

6. union数据合并

UNION（ALL）操作在Dataframe中可以使用concat()来执行。

1）数据准备

df1 = pd.DataFrame({'city': ['Chicago', 'San Francisco', 'New York City'],
                    'rank': range(1, 4)})
                    
df2 = pd.DataFrame({'city': ['Chicago', 'Boston', 'Los Angeles'],
                    'rank': [1, 4, 5]})

结果如下：

2）union all不去重合并

在SQL中：

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Dataframe中：

# 默认就是axis=0
pd.concat([df1, df2],axis=0)

结果如下：

3）union去重合并

在SQL中：

SELECT city, rank
FROM df1
UNION
SELECT city, rank
FROM df2;
-- notice that there is only one Chicago record this time

"""
         city     rank
      Chicago       1
San Francisco      2
New York City      3
       Boston      4
  Los Angeles      5
"""

在Dataframe中：

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

结果如下：

7.取group分组后的Topn

在MySQL8.0以前的版本，可能是不支持窗口函数，因此求Topn可能有些费劲，以前的文章中已经提到过，这里也就没有多余的叙述。

有下面一堆数据，怎么求出Topn呢？

df = pd.DataFrame({"name":["张三","王五","李四","张三","王五","张三","李四","李四","王五"],
                   "subject":["语文","英语","数学","数学","语文","英语","语文","英语","数学"],
                   "score":[95,80,83,80,90,71,88,70,78]})
df

结果如下：

在Dataframe中：

df.groupby(["subject"]).apply(lambda df:df.sort_values("score",ascending=True))

结果如下：