首页 > 资讯 > 数据库 >如何在 Pandas 的 SQL 查询样式中选择数据子集？

455

分享到

如何在 Pandas 的 SQL 查询样式中选择数据子集？

2023-10-22 10:10:22 455人浏览八月长安

摘要

简介在这篇文章中，我将向您展示如何使用 pandas 通过 sql 样式过滤来执行数据分析。大多数企业数据都存储在需要 SQL 来检索和操作的数据库中。例如，像 oracle、IBM、Microsoft 这样的公司拥有自己的数据库和自己的

简介

在这篇文章中，我将向您展示如何使用 pandas 通过 sql 样式过滤来执行数据分析。大多数企业数据都存储在需要 SQL 来检索和操作的数据库中。例如，像 oracle、IBM、Microsoft 这样的公司拥有自己的数据库和自己的 SQL 实现。

数据科学家必须在其职业生涯的某个阶段处理 SQL，因为数据并不总是存储在CSV 文件。我个人更喜欢使用 Oracle，因为我公司的大部分数据都存储在 Oracle 中。

场景 – 1 假设我们有一个任务，从我们的电影中查找所有电影具有以下条件的数据集。

电影的语言应该是英语（en）或西班牙语（es）。
电影的受欢迎程度必须介于 500 到 1000 之间。
电影的状态必须已发布。
投票数必须大于 5000。对于上述场景，SQL 语句类似于如下。

SELECT
FROM WHERE
title AS movie_title
,original_language AS movie_language
,popularityAS movie_popularity
,statusAS movie_status
,vote_count AS movie_vote_count movies_data
original_languageIN ('en', 'es')

AND status=('Released')
AND popularitybetween 500 AND 1000
AND vote_count > 5000;

现在你已经看到了满足需求的SQL语句，让我们使用pandas一步一步地进行操作。我将向你展示两种方法。

方法1：布尔索引

1. 将movies_data数据集加载到DataFrame中。

import pandas as pd movies = pd.read_csv("https://raw.GitHubusercontent.com/sasankac/TestDataSet/master/movies_data.csv")

为每个条件分配一个变量。

languages = [ "en" , "es" ] condition_on_languages = movies . original_language . isin ( languages )
condition_on_status = movies . status == "Released"
condition_on_popularity = movies . popularity . between ( 500 , 1000 )
condition_on_votecount = movies . vote_count > 5000

3.将所有条件（布尔数组）组合在一起。

final_conditions = ( condition_on_languages & condition_on_status & condition_on_popularity & condition_on_votecount )
columns = [ "title" , "original_language" , "status" , "popularity" , "vote_count" ]
# clubbing all together movies . loc [ final_conditions , columns ]

标题	original_language	状态	受欢迎程度	vote_count < p>
95星际	zh	已发布	724.247784	10867 < /td>
788死侍	zh	已发布	514.569956	10995

标题

original_language

状态

受欢迎程度

vote_count

95星际

已发布

724.247784

10867

< /td>

788死侍

已发布

514.569956

10995

方法2：- .query()方法。

.query()方法是SQL where子句样式过滤数据的方法。条件可以作为字符串传递给此方法，但是，列名称不得包含任何空格。

如果列名称中有空格，请使用 python 替换函数将其替换为下划线。

根据我的经验，我发现 query() 方法在应用于较大的 DataFrame 时比以前的方法更快。

import pandas as pd movies = pd . read_csv ( "Https://raw.githubusercontent.com/sasankac/TestDataSet/master/movies_data.csv" )

4.构建查询字符串并执行该方法。

请注意，.query 方法不适用于跨越多行的三重引号字符串。

final_conditions = (
"original_language in ['en','es']"
"and status == 'Released' "
"and popularity > 500 "
"and popularity < 1000"
"and vote_count > 5000"
) final_result = movies . query ( final_conditions )
final_result

< td>293660

	预算< /p>	id	original_language	original_title	受欢迎程度	发布日期	收入	运行时	st
95	165000000	157336	zh	星际	724.247784	2014年5月11日< /p>	675120017	169.0	关系
788	58000000	zh	死侍	514.569956	2016年9月2日	783112979	108.0	关系

预算

original_language

original_title

受欢迎程度

发布日期

收入

运行时

165000000

157336

星际

724.247784

2014年5月11日

675120017

169.0

关系

788

58000000

死侍

514.569956

2016年9月2日

783112979

108.0

关系

还有更多，通常在我的编码中，我有多个值要检查我的“in”子句。所以上面的语法并不理想。可以使用 at 符号 (@) 引用 Python 变量。

您还可以以编程方式将值创建为 Python 列表，并将它们与 (@) 一起使用。

movie_languages = [ 'en' , 'es' ]
final_conditions = (
"original_language in @movie_languages "
"and status == 'Released' "
"and popularity > 500 "
"and popularity < 1000"
"and vote_count > 5000" )
final_result = movies . query ( final_conditions )
final_result

293660