通过 SQL 查询学习 Pandas 数据处理

通过 SQL 查询学习 Pandas 数据处理

2017-09-21 编程派

作者：张吉

来源：http://shzhangji.com/cnblogs/2017/07/23/learn-pandas-from-a-sql-perspective/

Pandas 是一款广泛使用的数据处理工具。结合 NumPy 和 Matplotlib 类库，我们可以在内存中进行高性能的数据清洗、转换、分析及可视化工作。虽然 Python 本身是一门非常容易学习的语言，但要熟练掌握 Pandas 丰富的 API 接口及正确的使用方式，还是需要投入一定时间的。

对于数据开发工程师或分析师而言，SQL 语言是标准的数据查询工具。本文提供了一系列的示例，如何将常见的 SQL 查询语句使用 Pandas 来实现。

Pandas 的安装和基本概念并不在本文讲述范围内，请读者到官网上阅读相关文档，或者阅读《利用 Python 进行数据分析》一书。我推荐大家使用 Anaconda Python 套件，其中集成了 Spyder 集成开发环境。在运行下文的代码之前，请先引入 Pandas 和 NumPy 包：

import pandas as pd
import numpy as np

FROM - 读取数据

首先，我们需要将数据加载到工作区（内存）。Pandas 原生支持非常多的数据格式，CSV 是较常见的一种。我们以航班延误时间数据集为例（下载地址）：

我们可以使用 pd.read_csv 函数加载它：

df = pd.read_csv('flights.csv', dtype={'date': str})
df.head()

这条命令会将 flights.csv 文件读入内存，使用首行作为列名，并自动检测每一列的数据类型。其中，由于 date 一列的日期格式是 %m%d%H%M，自动转换成数字后会失去月份的前异零（02 月的 0），因此我们显式指定了该列的 dtype，告知 Pandas 保留原值。

df.head 用于查看数据集的前 N 行，功能类似于 LIMIT N。如果要实现 LIMIT 10, 100，可以使用 df.iloc[10:100]。此外，IPython 终端默认只显示 60 行数据，我们可以通过以下方法修改设置：

pd.options.display.max_rows = 100
df.iloc[10:100]

另外一种常见的数据源是关系型数据库，Pandas 也提供了内置支持：

conn = pymysql.connect(host='localhost', user='root')
df = pd.read_sql("""
select `date`, `delay`, `distance`, `origin`, `destination`
from flights limit 1000
""", conn)

如果要将 DataFrame 保存到文件或数据库中去，可以分别使用 pd.to_csv 和 pd.to_sql 函数。

SELECT - 选择列

SELECT 语句在 SQL 中用于选择需要的列，并对数据做清洗和转换。

df['date']
df[['date', 'delay']]
df.loc[10:100, ['date', 'delay']]

SQL 提供了诸多函数，大部分都可以用 Pandas 来实现，而且我们也很容易用 Python 编写自定义函数。下面我将列举一些常用的函数。

字符串函数

Pandas 的字符串函数可以通过 DateFrame 和 Series 的 str 属性来调用，如 df['origin'].str.lower()。

df['origin'].str.cat(df['destination'], sep=' to ')
df['origin'].str.strip()
df['origin'].str.len()
df['origin'].str.replace('a', 'b')
df['origin'].str[0:1]
df['domain'].str.split('.').str[:2].str.join('.')
df['domain'].str.extract(r'^([^.]+.[^.]+)')

Pandas 有一个名为广播的特性（broadcast），简单来说就是能够将低维数据（包括单个标量）和高维数据进行结合和处理。例如：

df['full_date'] = '2001' + df['date']
df['delay'] / 60
df['delay'].div(60)

Pandas 还内置了很多字符串函数，它们的用法和 SQL 有一定区别，但功能更强。完整列表可以参考文档 Working with Text Data。

日期函数

pd.to_datetime 用于将各种日期字符串转换成标准的 datetime64 类型。日期类型的 Series 都会有一个 dt 属性，从中可以获取到有关日期时间的信息，具体请参考文档 Time Series / Date functionality。

df['datetime'] = pd.to_datetime(df['full_date'], format='%Y%m%d%H%M%S')
df['datetime'].dt.strftime('%Y-%m-%d')
df['datetime'].dt.month
df['datetime'].dt.hour
df['datetime'].view('int64') // pd.Timedelta(1, unit='s').value
pd.to_datetime(df['timestamp'], unit='s')
df['datetime'] + pd.Timedelta(1, unit='D')

WHERE - 选择行

在 Pandas 中使用逻辑表达式后，会返回一个布尔型的 Series，通过它可以对数据集进行过滤：

(df['delay'] > 0).head()
df[df['delay'] > 0]

我们可以用位运算符来组合多个查询条件：

df[(df['delay'] > 0) & (df['distance'] <= 500)]
df[(df['delay'] > 0) | (df['origin'] == 'BUR')]
df[~(df['delay'] > 0)]

对于 IS NULL 和 IS NOT NULL，也提供了相应的内置函数：

df[df['delay'].isnull()]
df[df['delay'].notnull()]

此外，Pandas 还提供了 df.query 方法，可以使用字符串表达式来编写过滤条件：

df.query('delay > 0 and distaince <= 500')
df.query('(delay > 0) | (origin == "BUR")')

其实，Pandas 提供了功能强大的数据选取工具，很多是无法用 SQL 表达出来的，建议详细阅读 Indexing and Selecting Data 文档，其中包含了丰富的示例。

GROUP BY - 汇总

df.groupby('origin').size()

聚合运算包含了两个部分，一是分组字段，二是聚合函数。我们可以传递多个分组字段给 df.groupby，也能够指定多个聚合函数：

df.groupby(['origin', 'destination']).agg({
    'delay': np.sum,
    'distance': np.mean
})
df.groupby('origin')['delay'].agg(['min', 'max'])

我们还可以将函数的运行结果作为分组条件。更多示例请见 Group By: split-apply-combine。

df.set_index('origin').groupby(len).size()

ORDER BY - 排序

Pandas 中有两类排序，按索引和按数值。如果不了解 Pandas 的索引，还请自行查阅相关教程。

df.set_index('origin').sort_index()
df.sort_values(by='origin')
df.sort_values(by=['origin', 'destination'], ascending=[True, False])

JOIN - 关联查询

pd.merge(df_product, df_category, left_on='cid', right_on='id', how='left')

如果联合查询的键是同名的，可以直接使用 on=['k1', 'k2']。默认的关联方式是 INNER JOIN（ how='inner'），其它还有左外连接（ left）、右外连接（ right）、以及 FULL OUTER JOIN（ outer)。

pd.concat 可用于实现 UNION 查询。 更多关联查询的示例请参考 Merge, join, and concatenate。

pd.concat([df_a, df_b]).drop_duplicates()

最后，我们经常会需要在分组中按某种规则排序，并获得前几位的记录。MySQL 中需要通过变量来实现，Pandas 中则可以使用 rank 函数：

rnk = df.groupby('origin')['delay'].rank(method='first', ascending=False)
df.assign(rnk=rnk).query('rnk <= 3').sort_values(['origin', 'rnk'])

参考资料

---

题图：pexels，CC0 授权。