对比MySQL,学会在Pandas中实现SQL的常用操作
共 4464字,需浏览 9分钟
·
2020-08-12 02:49
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:
python爬虫人工智能大数据公众号