如何在 Pandas 的 SQL 查詢樣式中選擇資料子集？

簡介

在這篇文章中，我將向您展示如何使用 Pandas 透過 SQL 樣式過濾來執行資料分析。大多數企業資料都儲存在需要 SQL 來檢索和操作的資料庫中。例如，像 Oracle、IBM、Microsoft 這樣的公司擁有自己的資料庫和自己的 SQL 實作。

資料科學家必須在其職業生涯的某個階段處理 SQL，因為資料並不總是儲存在CSV 檔案。我個人更喜歡使用 Oracle，因為我公司的大部分資料都儲存在 Oracle 中。

場景 – 1 假設我們有一個任務，從我們的電影中尋找所有電影具有以下條件的資料集。

• 電影的語言應該是英語（en）或西班牙語（es）。
• 電影的受歡迎程度必須介於 500 到 1000 之間。
• 電影的狀態必須已發布。
• 投票數必須大於 5000。對於上述場景，SQL 語句類似於如下。

SELECT
FROM WHERE
title AS movie_title
,original_language AS movie_language
,popularityAS movie_popularity
,statusAS movie_status
,vote_count AS movie_vote_count movies_data
original_languageIN ('en', 'es')

AND status=('Released')
AND popularitybetween 500 AND 1000
AND vote_count > 5000;

現在你已經看到了滿足需求的SQL語句，讓我們使用pandas一步一步地進行操作。我將向你展示兩種方法。

方法1：布林索引

1. 將movies_data資料集載入到DataFrame中。

import pandas as pd movies = pd.read_csv("https://raw.githubusercontent.com/sasankac/TestDataSet/master/movies_data.csv")

為每個條件分配一個變數。

languages = [ "en" , "es" ] condition_on_languages = movies . original_language . isin ( languages )
condition_on_status = movies . status == "Released"
condition_on_popularity = movies . popularity . between ( 500 , 1000 )
condition_on_votecount = movies . vote_count > 5000

3.將所有條件（布林數組）組合在一起。

final_conditions = ( condition_on_languages & condition_on_status & condition_on_popularity & condition_on_votecount )
columns = [ "title" , "original_language" , "status" , "popularity" , "vote_count" ]
# clubbing all together movies . loc [ final_conditions , columns ]

zh10867

	#original_language	#狀態	受歡迎程度	vote_count
##vote_count		##95星際		已發布
724.247784		##788死侍	zh	已發布

#514.569956

#10995

#方法2：- .query()方法。 .query()方法是SQL where子句樣式過濾資料的方法。條件可以作為字串傳遞給此方法，但是，列名稱不得包含任何空格。

如果列名稱中有空格，請使用 python 替換函數將其替換為底線。

根據我的經驗，我發現 query() 方法在應用於較大的 DataFrame 時比以前的方法更快。

import pandas as pd movies = pd . read_csv ( "https://raw.githubusercontent.com/sasankac/TestDataSet/master/movies_data.csv" )

4.建立查詢字串並執行該方法。 ## 受歡迎程度165000000157336星際724.247784

2014年5月11日

#675120017169.0#關係58000000

請注意，.query 方法不適用於跨越多行的三重引號字串。 final_conditions = ( "original_language in [&#39;en&#39;,&#39;es&#39;]" "and status == &#39;Released&#39; " "and popularity > 500 " "and popularity < 1000" "and vote_count > 5000" ) final_result = movies . query ( final_conditions ) final_result							id	original_language	#original_title
發佈日期 ’收入	#運行時				#st		95
zh				p>		788

#293660

zh

#死侍

##514.569956

2016年9月2日783112979108.0 ##關係

#157336

					#還有更多，通常在我的編碼中，我有多個值要檢查我的“in”子句。所以上面的語法並不理想。可以使用 at 符號 (@) 來引用 Python 變數。	您也可以以程式設計方式將值建立為 Python 列表，並將它們與 (@) 一起使用。 movie_languages = [ &#39;en&#39; , &#39;es&#39; ] final_conditions = ( "original_language in @movie_languages " "and status == &#39;Released&#39; " "and popularity > 500 " "and popularity < 1000" "and vote_count > 5000" ) final_result = movies . query ( final_conditions ) final_result
		##id	original_language	#original_title	受歡迎程度	發布日期	收入	#運行時	st
95	165000000	zh	#星際	p>##724.247784	#2014年5月11日	675120017	169.0	# #關係

###788################58000000################### ##293660############zh#############死侍############514.569956######## #####2016年9月2日############783112979############108.0#############關係#####################

以上是如何在 Pandas 的 SQL 查詢樣式中選擇資料子集？的詳細內容。更多資訊請關注PHP中文網其他相關文章！