共計 3092 個字符，預計需要花費 8 分鐘才能閱讀完成。
本篇文章給大家分享的是有關 Pandas 中怎么實現 SQL 查詢數據操作，丸趣 TV 小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著丸趣 TV 小編一起來看看吧。
1. 選擇行
SELECT * FROM
如果要選擇整個表，只需調用表的名稱：
# SQL SELECT * FROM table_df # Pandas table_dfSELECT a, b FROM
如果要從表中選擇特定列，請在雙括號中列出要的列：
# 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() 即可獲得不同的值：
# 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，請使用 .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
對于 SELECT CASE WHEN 的等效項，可以使用 np.select()，其中首先指定每個選項的選擇和值。
# 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. 組合表格
INNER/LEFT/RIGHT JOIN
只需使用 .merge() 來連接表，就可以使用“how”參數指定它是 LEFT、RIGHT、INNER 或者 OUTER 聯接。
# 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. 篩選表
SELECT WHERE
在篩選數據幀時，與在 SQL 中使用 WHERE 子句的方式相同時，只需在方括號中定義條件：
# SQL SELECT * FROM table_df WHERE column_a = 1 # Pandas table_df[table_df[ column_a] == 1]SELECT column_a WHERE column_b
如果要從表中選擇某個列并篩選其他列，請按照以下格式操作：
# SQL SELECT column_a FROM table_df WHERE column_b = 1 # Pandas table_df[table_df[ column_b]==1][column_a]SELECT WHERE AND
如果要按多個條件進行篩選，只需將每個條件換在括號中，并使用 分隔每個條件。
# 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 等效項是 .str.contains()。如果要應用大小寫不敏感，只需在參數中添加 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() 的等效項為 .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 參數指定是按升序還是降序對值排序，默認值與 SQL 一樣升序。
# SQL SELECT * FROM table_df ORDER BY column_a DESC # Pandas table_df.sort_values(column_a , ascending=False)ORDER BY multiple columns
如果要按多個列排序，可以列出括號中的列，并在括號中的“ascending”參數中指定排序方向。請確保遵循列出的列的相應順序。
# 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. 聚合函數
COUNT DISTINCT
聚合函數有一個通用模式。
要復制 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 中怎么實現 SQL 查詢數據操作，丸趣 TV 小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注丸趣 TV 行業資訊頻道。
