相对于学习Pandas各种数据筛选操作,SQL语法显得更加简洁清晰,若能够将SQL语法与Pandas中对应的函数的使用方法关联起来,对于我们应用Pandas进行数据筛选来讲无疑是一个福音。
本文通过Pandas实现SQL语法中条件过滤、排序、关联、合并、更新、删除等简单及复杂操作,使得我们对方法的理解更加深刻,更加得心应手。
演示数据集
本文采用安德森鸢尾花卉(iris)数据集进行演示,iris数据集包含150个样本,对应数据集的每行数据。每行数据包含每个样本的四个特征和样本的类别信息,因此iris数据集是一个150行*5列的二维表。
我们可以 UCI Iris dataset 获取或者使用 from sklearn.datasets import load_iris 方式获取,为了演示方便我们只取其中10行数据,如下:
接下来,就让我们一起学习一下,如何Pandas实现SQL语法中条件过滤、排序、关联、合并、更新、删除等数据查询操作。
字段查询 SELECT
SELECT sl, sw, pl, pw FROM iris LIMIT 2;
如上SQL实现返回每行记录的 sl,sw,pl,pw 字段,仅返回2行记录。我们使用Pandas实现如上SQL的功能,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[["sl", "sw", "pl", "pw"]].head(2)
print(search)
# 执行上述代码,输出结果为:
sl sw pl pw
0 5.1 3.5 1.4 0.2
1 4.9 3.0 1.4 0.2
简单的条件过滤查询 WHERE
SELECT * FROM iris WHERE classes = 1 LIMIT 2;
如上SQL实现了查询满足classes=1的记录,并返回2行。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[iris["classes"]==1].head(2)
print(search)
# 执行上述代码,输出结果为:
sl sw pl pw classes
3 6.8 2.8 4.8 1.4 1
4 6.7 3.0 5.0 1.7 1
多条件的与或过滤查询 WHERE AND|OR
与关系 &
SELECT * FROM iris WHERE classes = 1 AND pl >= 5 LIMIT 2;
如上SQL实现查询同时满足classes=1 和 pl >=5 两个条件的记录,并返回2行。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[
(iris["classes"] == 1) &
(iris["pl"] >= 5)
].head(2)
print(search)
# 执行上述代码,输出结果为:
sl sw pl pw classes
4 6.7 3.0 5.0 1.7 1
或关系 |
SELECT * FROM iris WHERE sl >= 5 OR pl >=5 LIMIT 2;
如上SQL实现查询满足 sl >=5 或者 pl >=5 任一条件的记录,返回2行。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[
(iris["sl"] >= 5) |
(iris["pl"] >= 5)
].head(2)
print(search)
# 执行上述代码,输出结果为:
sl sw pl pw classes
0 5.1 3.5 1.4 0.2 0
2 5.4 3.9 1.7 0.4 0
条件过滤 空值判断
空判断 is null
SELECT * FROM iris WHERE sl IS NULL;
如上SQL实现查询 sl 字段为NULL的记录,我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[iris["sl"].isna()]
print(search)
非空判断 is not null
SELECT * FROM iris WHERE sl IS NOT NULL;
如上SQL实现查询sl字段不为 NULL 的记录。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[iris["sl"].notna()]
print(search)
# 执行上述代码,输出结果为:
sl sw pl pw classes
0 5.1 3.5 1.4 0.2 0
1 4.9 3.0 1.4 0.2 0
2 5.4 3.9 1.7 0.4 0
3 6.8 2.8 4.8 1.4 1
4 6.7 3.0 5.0 1.7 1
5 6.0 2.9 4.5 1.5 1
6 5.6 2.8 4.9 2.0 2
7 7.7 2.8 6.7 2.0 2
8 6.3 2.7 4.9 1.8 2
9 6.7 3.3 5.7 2.1 2
排序 ORDER BY ASC|DESC
SELECT * FROM iris WHERE sl >= 6 ORDER BY DESC classes;
如上SQL实现将满足sl字段值大于等于5的记录,按照classes降序排序。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris[(iris["sl"] >= 6)].sort_values(
by="classes", ascending=False)
print(search)
# 执行上述代码,输出结果为:
sl sw pl pw classes
7 7.7 2.8 6.7 2.0 2
8 6.3 2.7 4.9 1.8 2
9 6.7 3.3 5.7 2.1 2
3 6.8 2.8 4.8 1.4 1
4 6.7 3.0 5.0 1.7 1
5 6.0 2.9 4.5 1.5 1
更新 UPDATE
UPDATE iris SET classes = 2 WHERE pw = 1.7 AND pl >= 5;
如上SQL实现将同时满足pw = 1.7 和 pl >= 5的记录中的classes字段值更新为2。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
iris.loc[(iris["pw"] == 1.7) & (iris["pl"] >= 5), "classes"] = 2
print(iris[iris["pw"] == 1.7])
# 执行上述代码,输出结果为:
sl sw pl pw classes
4 6.7 3.0 5.0 1.7 2
分组统计 GROUP BY
SELECT classes, COUNT(*) FROM iris GROUP BY classes;
如上SQL实现 根据classes进行分组,返回classes 及每组数量。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
count = iris.groupby("classes").size()
print(count)
# 执行上述代码,输出结果为:
classes
0 3
1 3
2 4
dtype: int64
分组统计 聚合输出
SELECT classes, avg(pl), max(sl) FROM iris GROUP BY classes;
如何SQL实现根据classes进行分组,返回classes值,每个分组的pl平均值以及每个分组的sl最大值。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
import numpy as np
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
search = iris.groupby("classes").agg(
{"sl":np.max, "pl":np.mean})
print(search)
# 执行上述代码,输出结果为:
sl pl
classes
0 5.4 1.500000
1 6.8 4.766667
2 7.7 5.550000
删除
DELETE FROM iris WHERE pw = 1.7 AND pl >=5;
如上SQL实现将同时满足pw = 1.7 和 pl >= 5的记录删除。我们使用Pandas实现该SQL,代码如下:
import pandas as pd
iris = pd.read_excel(io="iris.xlsx",
sheet_name='iris',
usecols=["sl", "sw", "pl", "pw", "classes"])
drop = iris.drop(iris[(iris["pw"] == 1.7) &
(iris["pl"] >= 5)].index)
print(drop[drop["pw"] > 1.6])
# 执行上述代码,输出结果为:
sl sw pl pw classes
6 5.6 2.8 4.9 2.0 2
7 7.7 2.8 6.7 2.0 2
8 6.3 2.7 4.9 1.8 2
9 6.7 3.3 5.7 2.1 2
UNION & JOIN 演示数据集
接下来介绍如何使用Pandas进行合并查询及多表关联查询,为了演示方便,我们上面示例中的iris数据集,拆分成iris_a,iris_b两部分,如下:
UNION 合并查询
合并结果 UNION ALL 可能存在重复记录
合并如下两个 SELECT 语句的结果集,需注意,UNION ALL 内部的 SELECT 语句必须拥有相同数量的列,列也必须拥有相似的数据类型。同时,每条 SELECT 语句中的列的顺序必须相同。
SELECT * FROM iris_a WHERE classes = 1
UNION ALL
SELECT * FROM iris_b WHERE classes = 1 ;
如上SQL实现将两个查询结果进行合并,允许存在重复记录。我们使用 pandas.concat 方法实现该SQL,代码如下:
import pandas as pd
iris_a = pd.read_excel(io="iris.xlsx",
sheet_name='iris_a',
usecols=["sl", "sw", "pl", "pw", "classes"])
iris_b = pd.read_excel(io="iris.xlsx",
sheet_name='iris_b',
usecols=["sl", "sw", "pl", "pw", "classes"])
data = pd.concat(
[iris_a[iris_a["classes"] == 1], iris_b[iris_b["classes"] == 1]])
print(data)
# 执行上述代码,输出结果为:
sl sw pl pw classes
3 6.8 2.8 4.8 1.4 1
4 6.7 3.0 5.0 1.7 1
0 6.7 3.0 5.0 1.7 1
1 6.0 2.9 4.5 1.5 1
合并结果 UNION 不存在重复记录
合并如下两个 SELECT 语句的结果集,同时也需注意,UNION 内部的 SELECT 语句必须拥有相同数量的列,列也必须拥有相似的数据类型。同时,每条 SELECT 语句中的列的顺序必须相同。
SELECT * FROM iris_a WHERE classes = 1
UNION
SELECT * FROM iris_b WHERE classes = 1 ;
如上SQL实现将两个select查询结果进行合并,不允许存在重复记录。我们使用 pandas.concat.drop_duplicates 方法 实现该SQL,代码如下:
import pandas as pd
iris_a = pd.read_excel(io="iris.xlsx",
sheet_name='iris_a',
usecols=["sl", "sw", "pl", "pw", "classes"])
iris_b = pd.read_excel(io="iris.xlsx",
sheet_name='iris_b',
usecols=["sl", "sw", "pl", "pw", "classes"])
data = pd.concat(
[iris_a[iris_a["classes"] == 1],
iris_b[iris_b["classes"] == 1]]).drop_duplicates()
print(data)
# 执行上述代码,输出结果为:
sl sw pl pw classes
3 6.8 2.8 4.8 1.4 1
4 6.7 3.0 5.0 1.7 1
1 6.0 2.9 4.5 1.5 1
JOIN 连接查询
同样,我们依旧使用如上演示数据,如下:
内连接 INNER JOIN
获取iris_a,iris_b两个表中classes字段相同的记录,并返回满足条件的两张表中的所有记录。
SELECT * FROM iris_a
INNER JOIN iris_b
ON iris_a.classes = iris_b.classes;
如上SQL实现iris_a 与 iris_b 按照classes字段进行内连接。我们使用 pandas.merge(iris_a, iris_b, on='classes') 实现该SQL,代码如下:
import pandas as pd
iris_a = pd.read_excel(io="iris.xlsx",
sheet_name='iris_a',
usecols=["sl", "sw", "pl", "pw", "classes"])
iris_b = pd.read_excel(io="iris.xlsx",
sheet_name='iris_b',
usecols=["sl", "sw", "pl", "pw", "classes"])
inner = pd.merge(iris_a, iris_b, on="classes")
print(inner)
# 执行上述代码,输出结果为:
sl_x sw_x pl_x pw_x classes sl_y sw_y pl_y pw_y
0 6.8 2.8 4.8 1.4 1 6.7 3.0 5.0 1.7
1 6.8 2.8 4.8 1.4 1 6.0 2.9 4.5 1.5
2 6.7 3.0 5.0 1.7 1 6.7 3.0 5.0 1.7
3 6.7 3.0 5.0 1.7 1 6.0 2.9 4.5 1.5
左连接 LEFT OUTER JOIN
获取左表 iris_a 所有记录,判断每条数据的 classes 字段是否能匹配到右表iris_b的数据,无论能否匹配到,左表 iris_a 数据都会保留。若能匹配,则左右表都保留。若不能匹配,右表iris_b字段都置空NULL,并返回保留的记录。
SELECT * FROM iris_a
LEFT JOIN iris_b
ON iris_a.classes = iris_b.classes;
如上SQL实现iris_a 与 iris_b 按照classes字段进行左连接。我们使用 pandas.merge(iris_a, iris_b, on='classes', how='left') 方法实现该SQL,代码如下:
import pandas as pd
iris_a = pd.read_excel(io="iris.xlsx",
sheet_name='iris_a',
usecols=["sl", "sw", "pl", "pw", "classes"])
iris_b = pd.read_excel(io="iris.xlsx",
sheet_name='iris_b',
usecols=["sl", "sw", "pl", "pw", "classes"])
inner = pd.merge(iris_a, iris_b, on="classes", how="left")
print(inner)
# 执行上述代码,输出结果为:
sl_x sw_x pl_x pw_x classes sl_y sw_y pl_y pw_y
0 5.1 3.5 1.4 0.2 0 NaN NaN NaN NaN
1 4.9 3.0 1.4 0.2 0 NaN NaN NaN NaN
2 5.4 3.9 1.7 0.4 0 NaN NaN NaN NaN
3 6.8 2.8 4.8 1.4 1 6.7 3.0 5.0 1.7
4 6.8 2.8 4.8 1.4 1 6.0 2.9 4.5 1.5
5 6.7 3.0 5.0 1.7 1 6.7 3.0 5.0 1.7
6 6.7 3.0 5.0 1.7 1 6.0 2.9 4.5 1.5
右连接 RIGHT OUTER JOIN
获取右表 iris_b 所有记录,判断每条数据的 classes 字段是否能匹配到右表 iris_a 的数据,无论能否匹配到,右表 iris_b 数据都会保留。若能匹配,则左右表都保留。若不能匹配,左表iris_a字段都置空NULL,并返回保留的记录。
SELECT * FROM iris_a
RIGHT JOIN iris_b
ON iris_a.classes = iris_b.classes;
如上SQL实现iris_a 与 iris_b 按照classes字段进行右连接。我们使用 pandas.merge(iris_a, iris_b, on='classes', how='right')实现该SQL,代码如下:
import pandas as pd
iris_a = pd.read_excel(io="iris.xlsx",
sheet_name='iris_a',
usecols=["sl", "sw", "pl", "pw", "classes"])
iris_b = pd.read_excel(io="iris.xlsx",
sheet_name='iris_b',
usecols=["sl", "sw", "pl", "pw", "classes"])
inner = pd.merge(iris_a, iris_b, on="classes", how="right")
print(inner)
# 执行上述代码,输出结果为:
sl_x sw_x pl_x pw_x classes sl_y sw_y pl_y pw_y
0 6.8 2.8 4.8 1.4 1 6.7 3.0 5.0 1.7
1 6.7 3.0 5.0 1.7 1 6.7 3.0 5.0 1.7
2 6.8 2.8 4.8 1.4 1 6.0 2.9 4.5 1.5
3 6.7 3.0 5.0 1.7 1 6.0 2.9 4.5 1.5
4 NaN NaN NaN NaN 2 5.6 2.8 4.9 2.0
5 NaN NaN NaN NaN 2 7.7 2.8 6.7 2.0
6 NaN NaN NaN NaN 2 6.3 2.7 4.9 1.8
7 NaN NaN NaN NaN 2 6.7 3.3 5.7 2.1