共计 3092 个字符，预计需要花费 8 分钟才能阅读完成。
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，丸趣 TV 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，跟着丸趣 TV 小编一起来看看吧。
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_dfSELECT 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，丸趣 TV 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。更多详情敬请关注丸趣 TV 行业资讯频道。
