数据处理，Pandas vs SQL 你会选择哪一个？

Posted 2022-02-20 Python学习与数据挖掘

哈喽，大家好。前一段时间给大家详解过 Pandas 的用法，今天再来分享下 Pandas 与 SQL 的对比。

Pandas 和 SQL 有很多相似之处，都是对二维表的数据进行查询、处理，都是数据分析中常用的工具。

对于只会 Pandas 或只会 SQL 的朋友，可以通过今天例子快速学会另一个。

1. 数据查询

首先，读取数据

import pandas as pd
import numpy as np

tips = pd.read_csv('tips.csv')

tips

1.1 查询列

查询 total_bill和tip 两列

tips[["total_bill", "tip"]]

用 SQL 实现：

select total_bill, tip
from tips;

1.2 增加列

查询结果中，新增一列tip_rate

tips['tip_rate'] = tips["tip"] / tips["total_bill"]

用 SQL 实现：

select *, tip/total_bill as tip_rate
from tips;

1.3 筛选条件

查询 time列等于Dinner并且tip列大于5的数据

tips[(tips["time"] == "Dinner") & (tips["tip"] > 5.00)]

用 SQL 实现：

select *
from tips
where time = 'Dinner' and tip > 5.00;

2. 分组聚合

按照某列分组计数

tips.groupby("sex").size()

'''
sex
Female     87
Male      157
dtype: int64
'''

用 SQL 实现：

select sex, count(*)
from tips
group by sex;

按照多列聚合多个值

tips.groupby(["smoker", "day"]).agg("tip": [np.size, np.mean])

用 SQL 实现：

select smoker, day, count(*), avg(tip)
from tips
group by smoker, day;

3. join

构造两个临时DataFrame

df1 = pd.DataFrame("key": ["A", "B", "C", "D"], "value": np.random.randn(4))
df2 = pd.DataFrame("key": ["B", "D", "D", "E"], "value": np.random.randn(4))

先用 Pandas 分别实现inner join、left join、right join和full join。

# inner join
pd.merge(df1, df2, on="key")

# left join
pd.merge(df1, df2, on="key", how="left")

# inner join
pd.merge(df1, df2, on="key", how="right")

# inner join
pd.merge(df1, df2, on="key", how="outer")

用 SQL 分别实现：

# inner join
select *
from df1 inner join df2
on df1.key = df2.key;

# left join
select *
from df1 left join df2
on df1.key = df2.key;

# right join
select *
from df1 right join df2
on df1.key = df2.key;

# full join
select *
from df1 full join df2
on df1.key = df2.key;

4. union

将两个表纵向堆叠

pd.concat([df1, df2])

用 SQL 实现：

select *
from df1

union all

SELECT *
from df2;

将两个表纵向堆叠并去重

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

用 SQL 实现：

select *
from df1

union

SELECT *
from df2;

5. 开窗

对tips中day列取值相同的记录按照total_bill排序。

(tips.assign(
        rn=tips.sort_values(["total_bill"], ascending=False)
        .groupby(["day"])
        .cumcount()
        + 1
    )
    .sort_values(["day", "rn"])
)

用 SQL 实现：

select
    *,
    row_number() over(partition by day order by total_bill desc) as rn
from tips t

day列取值相同的记录会被划分到同一个窗口内，并按照total_bill排序，窗口之间的数据互不影响，这类操作便被称为开窗。

今天的内容就到这里啦。通过几个简单的实践案例大家可以直观感受下 Pandas 和 SQL 在数据处理上的相似之处。如果本文对你有用就点个 在看 鼓励一下吧。