本篇文章给大家分享的是有关Pandas中怎么实现SQL查询数据操作，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

临淄网站制作公司哪家好，找创新互联建站！从网页设计、网站建设、微信开发、APP开发、响应式网站开发等网站项目制作，到程序开发，运营维护。创新互联建站公司2013年成立到现在10年的时间，我们拥有了丰富的建站经验和运维经验，来保证我们的工作的顺利进行。专注于网站建设就选创新互联建站。

1. 选择行

SELECT * FROM

如果要选择整个表，只需调用表的名称：

# SQL SELECT * FROM table_df  # Pandas table_df

SELECT a, b FROM

如果要从表中选择特定列，请在双括号中列出要的列：

# SQL SELECT column_a, column_b FROM table_df  # Pandas table_df[['column_a', 'column_b']]

SELECT DISTINCT

只需使用 .drop\u duplicates()即可获得不同的值：

# SQL SELECT DISTINCT column_a FROM table_df  # Pandas table_df['column_a'].drop_duplicates()

SELECT a as b

如果要重命名列，请使用 .rename()：

# SQL SELECT column_a as Apple, column_b as Banana FROM table_df  # Pandas table_df[['column_a', 'column_b']].rename(columns={'column_a': 'Apple', 'column_b':'Banana'})

SELECT CASE WHEN

对于"SELECT CASE WHEN"的等效项，可以使用 np.select()， 其中首先指定每个选项的选择和值。

# SQL SELECT CASE WHEN column_a > 30 THEN "Large"             WHEN column_a <= 30 THEN "Small"             END AS Size FROM table_df  # Pandas conditions = [table_df['column_a']>30, table_df['column_b']<=30] choices = ['Large', 'Small'] table_df['Size'] = np.select(conditions, choices)

2. 组合表格

INNER/LEFT/RIGHT JOIN

只需使用 .merge()来连接表，就可以使用“how”参数指定它是 LEFT、RIGHT、 INNER 或者 OUTER联接。

# SQL SELECT * FROM table_1 t1          LEFT JOIN table_2 t1 on t1.lkey = t2.rkey   # Pandas table_1.merge(table_2, left_on='lkey', right_on='rkey', how='left')

UNION ALL

只需使用 pd.concat()：

# SQL SELECT * FROM table_1 UNION ALL SELECT * FROM table_2  # Pandas final_table = pd.concat([table_1, table_2])

3. 筛选表

SELECT WHERE

在筛选数据帧时，与在 SQL 中使用 WHERE 子句的方式相同时，只需在方括号中定义条件：

# SQL SELECT * FROM table_df WHERE column_a = 1  # Pandas table_df[table_df['column_a'] == 1]

SELECT column_a WHERE column_b

如果要从表中选择某个列并筛选其他列，请按照以下格式操作：

# SQL SELECT column_a FROM table_df WHERE column_b = 1  # Pandas table_df[table_df['column_b']==1]['column_a']

SELECT WHERE AND

如果要按多个条件进行筛选，只需将每个条件换在括号中，并使用"&"分隔每个条件。

# SQL SELECT * FROM table_df WHERE column_a = 1 AND column_b = 2  # Pandas table_df[(table_df['column_a']==1) & (table_df['column_b']==2)]

SELECT WHERE LIKE

SQL 中的 LIKE 等效项是 .str.contains()。如果要应用大小写不敏感，只需在参数中添加 case=False。

# SQL SELECT * FROM table_df WHERE column_a LIKE '%ball%'  # Pandas table_df[table_df['column_a'].str.contains('ball')]

SELECT WHERE column IN()

SQL 中 IN() 的等效项为 .isin()。

# SQL SELECT * FROM table_df WHERE column_a IN('Canada', 'USA')  # Pandas table_df[table_df['column_a'].isin(['Canada', 'USA'])]

4.排序值

ORDER BY one column

在SQL中，ORDER BY 的等同于 .sort_values()。使用 'ascending' 参数指定是按升序还是降序对值排序，默认值与 SQL  一样升序。

# SQL SELECT * FROM table_df ORDER BY column_a DESC  # Pandas table_df.sort_values('column_a', ascending=False)

ORDER BY multiple columns

如果要按多个列排序，可以列出括号中的列，并在括号中的 “ascending” 参数中指定排序方向。请确保遵循列出的列的相应顺序。

# SQL SELECT * FROM table_df ORDER BY column_a DESC, column_b ASC  # Pandas table_df.sort_values(['column_a', 'column_b'], ascending=[False, True])

5.聚合函数

COUNT DISTINCT

聚合函数有一个通用模式。

要复制 COUNT DISTINCT，只需使用 .groupby()和.nunique()。

# SQL SELECT column_a, COUNT DISTINCT(ID)  FROM table_df GROUP BY column_a  # Pandas table_df.groupby('column_a')['ID'].nunique()

SUM

# SQL SELECT column_a, SUM(revenue)  FROM table_df GROUP BY column_a   # Pandas table_df.groupby(['column_a', 'revenue']).sum()

AVG

# SQL SELECT column_a, AVG(revenue)  FROM table_df GROUP BY column_a  # Pandas table_df.groupby('column_a')['revenue'].mean()

以上就是Pandas中怎么实现SQL查询数据操作，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联行业资讯频道。

文章标题：Pandas中怎么实现SQL查询数据操作
链接分享：http://hbruida.cn/article/ggcihe.html