SQL操作Pandas DataFrame的三种方式示例详解

Pandas的DataFrame操作

假如你现在需要对Pandas的DataFrame进行如下操作：

df[df['Origin'] == 'USA']
.groupby('Origin')
.agg({
    'Miles_per_Gallon': ['sum', 'mean'],
    'Acceleration': ['min', 'max'],
}).reset_index()
df.columns=["Origin",
    "Miles_per_Gallon_sum",
    "Miles_per_Gallon_mean",
    "Acceleration_min",
    "Acceleration_max"]

而如果用SQL来书写，达到上面的处理效果，我们可以写出更优雅和更易于理解的代码：

SELECT
    Origin,
    SUM(Miles_per_Gallon) AS sum_Miles,
    AVG(Miles_per_Gallon) AS avg_Miles,
    MIN(Acceleration) AS min_Acceleration,
    MAX(Acceleration) AS max_Acceleration
FROM df
WHERE Origin = ‘USA'
GROUP BY 1

虽然我们非常喜欢Python，但很明显，对数据进行简单分析时，SQL才是我们最好的朋友，相比于Pandas的聚合函数语法，SQL语法更通俗、直观、便于理解。

接下来，本文将介绍三种使用SQL来操作Pandas DataFrame数据的方法。

假设我们已经有了一个准备好的DataFrame，其中包含你准备好的数据，下面我们开始介绍用SQL语句来查询DataFrame数据的方法。

方法1：使用DuckDB来查询DataFrame

DuckDB是一个开源的内存中的分析型数据库，专为高效处理分析工作负载而设计。它被称为SQLite的分析/OLAP等效工具，因为它提供了类似SQL的查询语言，并支持在Pandas DataFrame上执行SQL查询。

DuckDB是一个强大而灵活的分析型数据库，它的集成性和性能优势使得在Pandas中使用SQL查询变得更加便捷和高效，首先按照通常的方法进行安装：

pip install duckdb
import duckdb

DuckDB中的基准查询:

注意：我们需要明确地将结果转换为DataFrame，DuckDB会自动扫描你的内核，寻找属于DataFrame的变量，并让你像查询表一样查询它们。不过这种扫描是在查询运行时发生的，所以你不能使用如DESCRIBE这样的语句：

DuckDB对空白更难处理，反斜线不能解析，所以你需要引用表（DataFrame）的名字，然后是列名（带引号）：

DuckDB是专门为OLAP使用案例而设计的数据库引擎，相较于SQLite，它提供了一些在SQLite中不存在的强大功能。一个例子是DuckDB的SAMPLE关键字，它使得对数据进行采样变得非常简单，特别适用于处理大型数据集的聚合函数。这一功能在数据分析和探索性数据分析（EDA）中非常有用。

或许，你使用DuckDB而不是SQLite来查询Pandas数据的主要原因是速度。DuckDB声称在分析性查询方面比SQLite快得多，Pandas内置的to_sql和from_sql函数在SQLite中工作得很慢，但在DuckDB中却相当快，在大数据的聚合基准查询中，速度的差异是相当大的。

方法2：使用Pandas .query()方法

你可能已经熟悉了Pandas中的.query()函数。它不完全是SQL，但它可以使一些基本的查询变得更容易，你可以理解它为一个简单的WHERE或.filter()的等价方法。

query()方法的文档比较少，你还可以使用&或者and、or、not等逻辑运算符，以及其它常见的操作符（例如==，<，>，!=等）来连接过滤器：

尽管query()方法提供了方便的语法来筛选DataFrame，但它的表达能力相对有限，某些复杂的查询可能无法使用单个query()表达式解决，需要使用其他方法或技巧来实现。

方法3：使用SmartNoteBook中dfSQL模块来查询DataFrame

SmartNoteBook是一款协作的、集成的、一站式的数据科学/分析环境，其内置的dfSQL方式可以快速实现利用SQL语句对DataFrame进行快速查询。通过dfSQL，用户可以实现利用简单的SQL语句，对Pandas数据框、当前环境下的csv文件以及已经存在的df变量进行访问，除了dfSQL方法也可实现对其它数据源的快速访问，其基本用法如下：

1. 利用dfSQL从DataFrame变量中查询：

在SmartNoteBook中新建的SQL单元格中，数据源我们选择dfSQL，cars变量是前面我们已经读取到变量空间中的DataFrame变量，则我们可以直接利用SQL语句对变量cars进行查询，所查询到的表结果保存为my_cars变量。

2. 利用dfSQL查询环境中的csv文件：

在上述的SQL单元格中，数据源我们选择dfSQL，Iris.csv是存在于本地的一个csv文件，我们可以通过dfSQL，利用SQL语句直接从环境中对其进行读取，并选择我们需要的变量进行聚合，重新保存在一个名为iris的DataFrame变量中。

3. 利用dfSQL进行联合数据分析

在执行SQL语句时，有时为了查到复杂的信息我们往往需要对多表联查或嵌套查询，dfSQL通过在内存中加载保存变量，可以使得其逻辑更具可读性：

上述SQL单元中，我们需要查询每个地区Miles_per_Gallon、Cylinders、Acceleration均大于其地区均值的相关信息。我们可以分为两步，先查出各个地区的相关变量均值，基于保存的df1变量，再从原表中取出满足条件的信息并将其保存名为df2的DataFrame变量。

4. 利用SQL直接访问数据源文件：

实际上在SmartNoteBook的SQL代码模块，其也支持选择数据源，直接对远程数据库进行访问并直接保存为DataFrame变量：

上述SQL单元，我们选择了名为mysql 数据源的远程数据仓库，利用SQL语句直接读取仓库中的信息，并将其保存为名为my_data的DataFrame变量。

dfSQL具有更轻量化，集成优秀的特点，其对接外部数据源不需要再建立复杂的链接，而且可以直接实现对DataFrame变量和本地csv文件的访问。后面执行的SQL查询可以引用NoteBook中之前已执行的SQL查询结果，就像我们写复杂SQL中包含许多CTE（公共表表达式）一样。用户可以使用这种方式将复杂SQL按照逻辑进行拆分，使整个查询过程更具可读性。

以上就是SQL操作Pandas DataFrame的三种方式示例详解的详细内容，更多关于SQL操作Pandas DataFrame的资料请关注脚本之家其它相关文章！