一、使用简介

SQL是中进开发者最重要的技能之一。在Python数据分析生态中，查询Pandas的使用使用最为广泛。但是中进，如果不熟悉Pandas，查询则必须学习Pandas函数（分组、使用聚合、中进连接等）。查询相比之下，使用使用SQL查询数据帧更加容易。中进Pandasql库正好可以满足需求！查询

【Pandasql项目主页】：https://pypi.org/project/pandasql/

图片

二、使用Pandasql的中进初始步骤

设置工作环境。

2.1 安装Pandasql

如果使用的查询是Google Colab，可以使用pip来安装Pandasql并进行相关代码编写：

复制pip install pandasql1.

如果在本地机器上使用Python，请确保在专门为该项目创建的虚拟环境中安装了Pandas和Seaborn。可以使用内置的venv软件包创建和管理虚拟环境。

本文在Ubuntu LTS 22.04上运行Python 3.11。因此，以下说明适用于Ubuntu（在Mac上也同样适用）。如果使用的是Windows机器，请按照以下说明来创建和激活虚拟环境。WordPress模板

在项目目录中运行以下命令创建虚拟环境（此处命名为v1）：

复制python3 -m venv v11.

然后激活虚拟环境：

复制source v1/bin/activate1.

现在安装Pandas、Seaborn和Pandasql：

复制pip3 install pandas seaborn pandasql1.

注意：如果尚未安装pip，可以通过运行apt install python3-pip更新系统软件包并安装它。

2.2 sqldf函数

要在Pandas数据帧上运行SQL查询，可以使用以下语法导入并使用sqldf：

复制from pandasql import sqldf sqldf(query, globals())1.2.

其中：

query表示想要在Pandas数据帧上执行的SQL查询语句。它应该是一个包含有效SQL查询的字符串。globals()指定了查询中使用的数据帧所在的全局命名空间。

三、使用Pandasql查询Pandas数据帧

首先导入所需的包和从Pandasql导入sqldf函数：

复制import pandas as pd import seaborn as sns from pandasql import sqldf1.2.3.

由于将在数据帧上运行多个查询，因此可以定义一个函数，这样就可以通过将查询作为参数传递来调用它：

复制# 为运行SQL查询定义可重复使用的函数 run_query = lambda query: sqldf(query, globals())1.2.

对于接下来的所有示例，本文将运行run_query函数（该函数在底层使用了sqldf()），在tips_df数据帧上执行SQL查询，然后打印出返回的结果。

3.1 加载数据集

这里，使用内置于Seaborn库中的"tips"数据集。"tips"数据集包含有关餐厅小费的信息，包括总账单、小费金额、付款人的性别、星期几等。服务器托管

将"tips"数据集加载到名为tips_df的数据帧中：

复制# 将"tips"数据集加载到`pandas`数据帧中 tips_df = sns.load_dataset("tips")1.2.

3.2 示例1 - 选择数据

下面是本文的第一个查询，简单的SELECT语句：

复制# 简单的SELECT查询 query_1 = """ SELECT * FROM tips_df LIMIT 10; """ result_1 = run_query(query_1) print(result_1)1.2.3.4.5.6.7.8.

如图所示，该查询选择了tips_df数据帧中的所有列，并使用"LIMIT"关键字将输出限制在前10行。这相当于在Pandas中执行tips_df.head(10)：

图片

query_1的输出

3.3 示例2 - 根据条件过滤

接下来，编写根据条件过滤结果的查询：

复制# 根据条件过滤 query_2 = """ SELECT * FROM tips_df WHERE total_bill > 30 AND tip > 5; """ result_2 = run_query(query_2) print(result_2)1.2.3.4.5.6.7.8.9.

该查询根据WHERE子句中指定的条件过滤tips_df数据帧。它从tips_df数据帧中选择其中total_bill大于30并且tip金额大于5的所有列。

运行query_2将得到以下结果：

query_2的输出

3.4 示例3 - 分组和聚合

运行以下查询，以获取按天分组的平均账单金额：

复制# 分组和聚合 query_3 = """ SELECT day, AVG(total_bill) as avg_bill FROM tips_df GROUP BY day; """ result_3 = run_query(query_3) print(result_3)1.2.3.4.5.6.7.8.9.

以下是输出结果：

query_3的输出

可以清楚地看到周末的平均账单金额略高。

再举一个分组和聚合的例子。观察以下查询：

复制query_4 = """ SELECT day, COUNT(*) as num_transactions, AVG(total_bill) as avg_bill, MAX(tip) as max_tip FROM tips_df GROUP BY day; """ result_4 = run_query(query_4) print(result_4)1.2.3.4.5.6.7.8.

查询query_4通过day列对tips_df数据帧中的数据进行分组，并为每个分组计算以下聚合函数：

num_transactions：交易次数。avg_bill：total_bill列的平均值。max_tip：tip列的最大值。网站模板

如图所示，得到了按日期分组的上述数量：

query_4的输出

3.5 示例4 - 子查询

接下来添加一个使用子查询的查询示例：

复制# 子查询 query_5 = """ SELECT * FROM tips_df WHERE total_bill > (SELECT AVG(total_bill) FROM tips_df); """ result_5 = run_query(query_5) print(result_5)1.2.3.4.5.6.7.8.9.

其中，

内部子查询计算了tips_df数据帧中total_bill列的平均值。然后，外部查询选择了tips_df数据帧中total_bill大于计算得到的平均值的所有列。

运行query_5，得到以下结果：

query_5的输出

3.6 示例5 - 连接两个数据帧

由于目前只有一个数据帧。为了进行简单的连接操作，创建另一个数据帧，如下所示：

复制# 创建另一个要与`tips_df`连接的数据帧 other_data = pd.DataFrame({ day: [Thur,Fri, Sat, Sun], special_event: [Throwback Thursday, Feel Good Friday, Social Saturday,Fun Sunday, ] })1.2.3.4.5.

other_data数据帧将每天与一个特殊事件关联起来。

现在，在共同的day列上执行tips_df和other_data数据帧之间的LEFT JOIN：

复制query_6 = """ SELECT t.*, o.special_event FROM tips_df t LEFT JOIN other_data o ON t.day = o.day; """ result_6 = run_query(query_6) print(result_6)1.2.3.4.5.6.7.8.

以下是连接操作的结果：

query_6的输出

四、总结

本文介绍了如何使用Pandasql在Pandas数据帧上运行SQL查询。尽管在Pandasql中使用SQL查询数据帧变得非常简单，但也存在一些限制。

最主要的限制是，Pandasql比原生Pandas慢几个数量级。本文对此的建议是：如果需要使用Pandas进行数据分析，可以在学习Pandas并快速上手时使用Pandasql来查询数据帧。然后，一旦熟悉了Pandas，可以切换到Pandas或其他的库（类似Polars）。