2020年入门数据分析选择Python还是SQL？七个常用操作对比！

SQL和Python几乎是当前数据分析师必须要了解的两门语言，它们在处理数据时有什么区别?本文将分别用MySQL和pandas来展示七个在数据分析中常用的操作，希望可以帮助掌握其中一种语言的读者快速了解另一种方法!

[[346689]]

在阅读本文前，你可以访问下方网站下载本文使用的示例数据，并导入MySQL与pandas中，一边敲代码一边阅读!

https://raw.githubusercontent.com/pandas-dev/pandas/master/pandas/tests/io/data/csv/tips.csv

一、选择

在SQL中，我们可以使用SELECT语句从表选择数据，结果被存储在一个结果表中，语法如下：

SELECT column_name,column_name 
FROM table_name; 

如果不想显示全部的记录，可以使用TOP或LIMIT来限制行数。因此选择tips表中的部分列可以使用下面的语句

SELECT total_bill, tip, smoker, time 
FROM tips 
LIMIT 5; 

而在pandas中，我们可以通过将列名列表传递给DataFrame来完成列选择

在SQL中，进行选择的同时还可以进行计算，比如添加一列

SELECT *, tip/total_bill as tip_rate 
FROM tips 
LIMIT 5; 

在pandas中使用DataFrame.assign()同样可以完成这个操作

二、查找

1. 单条件查找

在SQL中，WHERE子句用于提取那些满足指定条件的记录，语法如下

SELECT column_name,column_name 
FROM table_name 
WHERE column_name operator value; 

比如查找示例数据中time = dinner的记录

SELECT * 
FROM tips 
WHERE time = 'Dinner' 
LIMIT 5; 

而在pandas中，按照条件进行查找则可以有多种形式，比如可以将含有True/False的Series对象传递给DataFrame，并返回所有带有True的行

2. 多条件查找

在SQL中，进行多条件查找可以使用AND/OR来完成

在pandas中也有类似的操作

3. 查找空值

在pandas检查空值是使用notna()和isna()方法完成的。

frame[frame['col1'].notna()] 

在SQL中可以使用IS NULL和IS NOT NULL完成

SELECT * 
FROM frame 
WHERE col2 IS NULL; 
 
SELECT * 
FROM frame 
WHERE col1 IS NOT NULL; 

三、更新

在SQL中使用UPDATE

UPDATE tips 
SET tiptip = tip*2 
WHERE tip < 2; 

而在pandas中则有多种方法，比如使用loc函数

tips.loc[tips['tip'] < 2, 'tip'] *= 2 

四、删除

在SQL中使用DELETE

DELETE FROM tips 
WHERE tip > 9; 

在pandas中，我们选择应保留的行，而不是删除它们

tipstips = tips.loc[tips['tip'] <= 9] 

五、分组

在pandas中，使用groupby()方法实现分组。groupby()通常是指一个过程，在该过程中，我们希望将数据集分为几组，应用某些功能(通常是聚合)，然后将各组组合在一起。

常见的SQL操作是获取整个数据集中每个组中的记录数。例如，通过对性别进行分组查询

SELECT sex, count(*) 
FROM tips 
GROUP BY sex; 

在pandas中的等价操作为

注意，在上面代码中，我们使用size()而不是count() 这是因为count()将函数应用于每一列，并返回每一列中非空记录的数量!

六、连接

在pandas可以使用join()或merge()进行连接，每种方法都有参数，可让指定要执行的联接类型(LEFT，RIGHT，INNER，FULL)或要联接的列。

现在让我们重新创建两组示例数据，分别用代码来演示不同的连接

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)}) 

1. 内连接

内联接使用比较运算符根据每个表共有的列的值匹配两个表中的行，在SQL中实现内连接使用INNER JOIN

SELECT * 
FROM df1 
INNER JOIN df2 
  ON df1.key = df2.key; 

在pandas中可以使用merge()

merge()提供了一些参数，可以将一个DataFrame的列与另一个DataFrame的索引连接在一起👇

2. 左/右外联接

在SQL中实现左/右外连接可以使用LEFT OUTER JOIN和RIGHT OUTER JOIN

SELECT * 
FROM df1 
LEFT OUTER JOIN df2 
  ON df1.key = df2.key; 
   
SELECT * 
FROM df1 
RIGHT OUTER JOIN df2 
  ON df1.key = df2.key; 

在pandas中实现同样可以使用merge()并指定how关键字为left或者right即可

3. 全连接

全连接返回左表和右表中的所有行，无论是否匹配，但并不是所有的数据库都支持，比如mysql就不支持，在SQL中实现全连接可以使用FULL OUTER JOIN

SELECT * 
FROM df1 
FULL OUTER JOIN df2 
  ON df1.key = df2.key; 

在pandas中实现同样可以使用merge()并指定how关键字为outer

七、合并

SQL中UNION操作用于合并两个或多个SELECT语句的结果集，UNION与UNION ALL类似，但是UNION将删除重复的行。示例代码如下

SELECT city, rank 
FROM df1 
UNION ALL 
SELECT city, rank 
FROM df2; 
/* 
         city  rank 
      Chicago     1 
San Francisco     2 
New York City     3 
      Chicago     1 
       Boston     4 
  Los Angeles     5 
*/ 

在pandas中可以使用concat()实现UNION ALL

上面是UNION ALL保留重复值，如果希望删除可以使用 drop_duplicates()

以上就是本文的全部内容，可以看到在不同的场景下不同的语言有着不同的特性，如果你想深入学习了解可以进一步查阅官方文档并多加练习!