Pandas与SQL对比
作为一名数据分析师，平常用的最多的工具是SQL(包括MySQL和Hive SQL等)。对于存储在数据库中的数据，自然用SQL提取会比较方便，但有时我们会处理一些文本数据(txt,csv)，这个时候就不太好用SQL了。Python也是分析师常用的工具之一，尤其pandas更是一个数据分析的利器。虽然二者的语法，原理可能有很大差别，但在实现的功能上，他们有很多相通的地方，这里特进行一个总结，方便大家对比学习~
什么是 Pandas？
Pandas，即 Python 数据分析库（Python Data Analysis Library），是一个用于数据分析和处理的 Python 库。它是开源的，被 Anaconda 所支持。它特别适合结构化（表格化）数据。有关更多信息,请参考 pandas.pydata.org/pandas-docs。
使用它可以做什么？
之前您在 SQL 里面进行的查询数据以及其他各种操作，都可以由 Pandas 完成！
太好了！我要从哪里开始呢？
对于已经习惯于用 SQL 语句来处理数据问题的人来说，这是一个令人生畏的部分。
SQL 是一种 声明式编程语言：en.wikipedia.org/wiki/List_o…。
使用 SQL，你通过声明语句来声明想要的内容，这些声明读起来几乎就如同普通英文短句一样顺畅。
而 Pandas 的语法与 SQL 完全不同。在 Pandas 中，您对数据集进行处理，并将它们链在一起，以便按照您希望的方式进行转换和重构。
我们需要一本 phrasebook（常用语手册）！
剖析 SQL 查询
SQL 查询由几个重要的关键字组成。在这些关键字之间，添加您想要看到的具体数据。下面是一些没有具体数据的查询语句的框架：
SELECT… FROM… WHERE…
GROUP BY… HAVING…
ORDER BY…
LIMIT… OFFSET…
当然还有其他命令，但上面这些是最重要的。那么我们如何将这些命令在 Pandas 实现呢？
首先，我们需要向 Pandas 里面加载一些数据，因为它们还没有在数据库中。如下所示：
import pandas as pd
airports = pd.read_csv('data/airports.csv')
airport_freq = pd.read_csv('data/airport-frequencies.csv')
runways = pd.read_csv('data/runways.csv')
我的数据来自 ourairports.com/data/。
SELECT, WHERE, DISTINCT, LIMIT
这是一些 SELECT 语句。我们使用 LIMIT 来截取结果，使用 WHERE 来进行过滤筛选，使用 DISTINCT 去除重复的结果。
| SQL | Pandas |
|---|---|
| select * from airports | airports |
| select * from airports limit 3 | airports.head(3) |
| select id from airports where ident = 'KLAX' | airports[airports.ident == 'KLAX'].id |
| select distinct type from airport | airports.type.unique() |
使用多个条件进行 SELECT 操作
我们将多个条件通过符号&组合在一起。如果我们只想要表格列中条件的子集条件，那么可以通过添加另外一对方括号来表示。
| SQL | Pandas |
|---|---|
| select * from airports where iso_region = 'US-CA' and type = 'seaplane_base' | airports[(airports.iso_region == 'US-CA') & (airports.type == 'seaplane_base')] |
| select ident, name, municipality from airports where iso_region = 'US-CA' and type = 'large_airport' | airports[(airports.iso_region == 'US-CA') & (airports.type == 'large_airport')][['ident', 'name', 'municipality']] |
ORDER BY（排序）
默认情况下，Pandas 会使用升序排序。如果要使用降序，请设置 asending=False。
| SQL | Pandas |
|---|---|
| select * from airport_freq where airport_ident = 'KLAX' order by type | airport_freq[airport_freq.airport_ident == 'KLAX'].sort_values('type') |
| select * from airport_freq where airport_ident = 'KLAX' order by type desc | airport_freq[airport_freq.airport_ident == 'KLAX'].sort_values('type', ascending=False) |
IN… NOT IN（包含……不包含）
我们知道了如何对值进行筛选，但如何对一个列表进行筛选呢，如同 SQL 的IN 语句那样？在 Pandas 中，.isin() 操作符的工作方式与 SQL 的IN相同。要使用否定条件，请使用 ~。
| SQL | Pandas |
|---|---|
| select * from airports where type in ('heliport', 'balloonport') | airports[airports.type.isin(['heliport', 'balloonport'])] |
| select * from airports where type not in ('heliport', 'balloonport') | airports[~airports.type.isin(['heliport', 'balloonport'])] |
GROUP BY, COUNT, ORDER BY（分组）
分组操作很简单：使用 .groupby() 操作符。SQL 和 pandas 中的 COUNT 语句存在微妙的差异。在 Pandas 中，.count() 将返回非空/非 NaN 的值。要获得与 SQL COUNT相同的结果，请使用 .size()。
| SQL | Pandas |
|---|---|
| select iso_country, type, count(*) from airports group by iso_country, type order by iso_country, type | airports.groupby(['iso_country', 'type']).size() |
| select iso_country, type, count() from airports group by iso_country, type order by iso_country, count() desc | airports.groupby(['iso_country', 'type']).size().to_frame('size').reset_index().sort_values(['iso_country', 'size'], ascending=[True, False]) |
下面，我们对多个字段进行分组。Pandas 默认情况下将对列表中相同字段上的内容进行排序，因此在第一个示例中不需要 .sort_values()。如果我们想使用不同的字段进行排序，或者想使用 DESC 而不是 ASC，就像第二个例子那样，那我们就必须明确使用 .sort_values()：
| SQL | Pandas |
|---|---|
| select iso_country, type, count(*) from airports group by iso_country, type order by iso_country, type | airports.groupby(['iso_country', 'type']).size() |
| select iso_country, type, count() from airports group by iso_country, type order by iso_country, count() desc | airports.groupby(['iso_country', 'type']).size().to_frame('size').reset_index().sort_values(['iso_country', 'size'], ascending=[True, False]) |
其中使用.to_frame() 和 reset_index() 是为什么呢？因为我们希望通过计算出的字段（size）进行排序，所以这个字段需要成为 DataFrame 的一部分。在 Pandas 中进行分组之后，我们得到了一个名为 GroupByObject 的新类型。所以我们需要使用 .to_frame() 把它转换回 DataFrame类型。再使用 .reset_index()，我们重新进行数据帧的行编号。
HAVING（包含）
在 SQL 中，您可以使用 HAVING 条件语句对分组数据进行追加过滤。在 Pandas 中，您可以使用 .filter() ，并给它提供一个 Python 函数（或 lambda 函数），如果结果中包含这个组，该函数将返回 True。
| SQL | Pandas |
|---|---|
| select type, count() from airports where iso_country = 'US' group by type having count() > 1000 order by count(*) desc | airports[airports.iso_country == 'US'].groupby('type').filter(lambda g: len(g) > 1000).groupby('type').size().sort_values(ascending=False) |
前 N 个记录
假设我们做了一些初步查询，现在有一个名为by_country 的 dataframe，它包含每个国家的机场数量：
在接下来的第一个示例中，我们通过 airport_count 来进行排序，只选择数量最多的 10 个国家。第二个例子比较复杂，我们想要“前 10 名之后的另外 10 名，即 11 到 20 名”：
| SQL | Pandas |
|---|---|
| select iso_country from by_country order by size desc limit 10 | by_country.nlargest(10, columns='airport_count') |
| select iso_country from by_country order by size desc limit 10 offset 10 | by_country.nlargest(20, columns='airport_count').tail(10) |
聚合函数（MIN，MAX，MEAN）
现在给定一组 dataframe，或者一组跑道数据：
计算跑道长度的最小值，最大值，平均值和中值：
| SQL | Pandas |
|---|---|
| select max(length_ft), min(length_ft), avg(length_ft), median(length_ft) from runways | runways.agg({'length_ft': ['min', 'max', 'mean', 'median']}) |
SQL没有median函数。假设您编写了一个用户定义的函数来计算该统计信息（因为这里的重要部分是SQL和Pandas之间的语法差异）。
您会注意到，使用 SQL 查询，每个统计结果都是一列数据。但是使用 Pandas 的聚集方法，每个统计结果都是一行数据：
不用担心 — 只需将 dataframe 通过 .T 进行转换就可以得到成列的数据：
JOIN（连接）
使用 .merge() 来连接 Pandas 的 dataframes。您需要提供要连接哪些列（left_on 和 right_on）和连接类型：inner（默认），left（对应 SQL 中的 LEFT OUTER），right（RIGHT OUTER），或 OUTER（FULL OUTER）。
| SQL | Pandas |
|---|---|
| select airport_ident, type, description, frequency_mhz from airport_freq join airports on airport_freq.airport_ref = airports.id where airports.ident = 'KLAX' | airport_freq.merge(airports[airports.ident == 'KLAX'][['id']], left_on='airport_ref', right_on='id', how='inner')[['airport_ident', 'type', 'description', 'frequency_mhz']] |
UNION ALL and UNION（合并）
使用 pd.concat() 替代 UNION ALL 来合并两个 dataframes：
| SQL | Pandas |
|---|---|
| select name, municipality from airports where ident = 'KLAX' union all select name, municipality from airports where ident = 'KLGB' | pd.concat([airports[airports.ident == 'KLAX'][['name', 'municipality']], airports[airports.ident == 'KLGB'][['name', 'municipality']]]) |
合并过程中想要删除重复数据（等价于 UNION），你还需要添加 .drop_duplicates()。
INSERT（插入）
到目前为止，我们一直在讲筛选，但是在您的探索性分析过程中，您可能也需要修改。如果您想添加一些遗漏的记录你该怎么办?
Pandas 里面没有形同 INSERT 语句的方法。相反，您只能创建一个包含新记录的新 dataframe，然后合并两个 dataframe：
| SQL | Pandas |
|---|---|
| create table heroes (id integer, name text); | df1 = pd.DataFrame({'id': [1, 2], 'name': ['Harry Potter', 'Ron Weasley']}) |
| insert into heroes values (1, 'Harry Potter'); | df2 = pd.DataFrame({'id': [3], 'name': ['Hermione Granger']}) |
| insert into heroes values (2, 'Ron Weasley'); | |
| insert into heroes values (3, 'Hermione Granger'); | pd.concat([df1, df2]).reset_index(drop=True) |
UPDATE（更新）
现在我们需要修改原始 dataframe 中的一些错误数据：
| SQL | Pandas |
|---|---|
| update airports set home_link = 'http://www.lawa.org/welcomelax.aspx' where ident == 'KLAX' | airports.loc[airports['ident'] == 'KLAX', 'home_link'] = 'http://www.lawa.org/welcomelax.aspx' |
DELETE（删除）
从 Pandas dataframe 中删除数据的最简单(也是最易读的)方法是将 dataframe 提取包含您希望保留的行数据的子集。或者，您可以通过获取行索引来进行删除，使用 .drop() 方法删除这些索引的行：
| SQL | Pandas |
|---|---|
| delete from lax_freq where type = 'MISC' | lax_freq = lax_freq[lax_freq.type != 'MISC'] |
| lax_freq.drop(lax_freq[lax_freq.type == 'MISC'].index) |
Pandas与SQL对比
Immutability（不变性）
我需要提及一件重要的事情 — 不可变性。默认情况下，大部分应用于 Pandas dataframe 的操作符都会返回一个新对象。有些操作符可以接收 inplace=True参数，这样您可以继续使用原始的 dataframe。例如，以下是一个就地重置索引的方法：
df.reset_index(drop=True, inplace=True)
然而,上面的 UPDATE 示例中的 .loc 操作符仅定位需要更新记录的索引，并且这些值会就地更改。此外，如果您更新了一列的所有值：
df['url'] = 'http://google.com'
或者添加一个计算得出的新列：
df['total_cost'] = df['price'] * df['quantity']
这些都会就地发生变化。
更多！
Pandas 的好处在于它不仅仅是一个查询引擎。你可以用你的数据做更多事情，例如：
- 以多种格式输出：
df.to_csv(...) # csv file
df.to_hdf(...) # HDF5 file
df.to_pickle(...) # serialized object
df.to_sql(...) # to SQL database
df.to_excel(...) # to Excel sheet
df.to_json(...) # to JSON string
df.to_html(...) # render as HTML table
df.to_feather(...) # binary feather-format
df.to_latex(...) # tabular environment table
df.to_stata(...) # Stata binary data files
df.to_msgpack(...) # msgpack (serialize) object
df.to_gbq(...) # to a Google BigQuery table.
df.to_string(...) # console-friendly tabular output.
df.to_clipboard(...) # clipboard that can be pasted into Excel
- 绘制图表：
top_10.plot(
x='iso_country',
y='airport_count',
kind='barh',
figsize=(10, 7),
title='Top 10 countries with most airports')
去看看一些很不错的图表！
- 共享：
共享 Pandas 查询结果、绘图和相关内容的最佳媒介是 Jupyter notebooks（jupyter.org）。事实上，有些人（比如杰克·范德普拉斯（Jake Vanderplas），他太棒了）会把整本书都发布在 Jupyter notebooks 上：github.com/jakevdp/Pyt…。
很简单就可以创建一个新的笔记本：
pip install jupyter
jupyter notebook
之后：
- 打开 localhost:8888
- 点击
新建，并给笔记本起个名字 - 查询并显示数据
- 创建一个 GitHub 仓库，并添加您的笔记本到仓库中（后缀为 .ipynb 的文件）。
GitHub 有一个很棒的内置查看器，可以以 Markdown 的格式显示 Jupyter notebooks 的内容。
现在，你可以开始你的 Pandas 之旅了！
我希望您现在确信，Pandas 库可以像您的老朋友 SQL 一样帮助您进行探索性数据分析，在某些情况下甚至会做得更好。是时候你自己动手开始在 Pandas 里查询数据了！
网友评论