sql和python有什么区别_入门数据分析选择Python还是SQL？七个常用操作对比

tips.loc[tips['tip']

四、删除

在SQL中使用DELETEDELETE FROM tipsWHERE tip > 9;

在pandas中，我们选择应保留的行，而不是删除它们tips = tips.loc[tips['tip'] <= 9]

五、分组

在pandas中，使用groupby()方法实现分组。groupby()通常是指一个过程，在该过程中，我们希望将数据集分为几组，应用某些功能(通常是聚合)，然后将各组组合在一起。

常见的SQL操作是获取整个数据集中每个组中的记录数。例如，通过对性别进行分组查询SELECT sex, count(*)FROM tipsGROUP BY sex;

在pandas中的等价操作为

注意，在上面代码中，我们使用size()而不是count() 这是因为count()将函数应用于每一列，并返回每一列中非空记录的数量！

六、连接

在pandas可以使用join()或merge()进行连接，每种方法都有参数，可让指定要执行的联接类型(LEFT，RIGHT，INNER，FULL)或要联接的列。

现在让我们重新创建两组示例数据，分别用代码来演示不同的连接df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'],

....:                     'value': np.random.randn(4)})

....:

df2 = pd.DataFrame({'key': ['B', 'D', 'D', 'E'],

....:                     'value': np.random.randn(4)})

内连接

内联接使用比较运算符根据每个表共有的列的值匹配两个表中的行，在SQL中实现内连接使用INNER JOINSELECT *FROM df1INNER JOIN df2

ON df1.key = df2.key;

在pandas中可以使用merge()

merge()提供了一些参数，可以将一个DataFrame的列与另一个DataFrame的索引连接在一起

左/右外联接

在SQL中实现左/右外连接可以使用LEFT OUTER JOIN和RIGHT OUTER JOINSELECT *FROM df1LEFT OUTER JOIN df2

ON df1.key = df2.key;

SELECT *FROM df1RIGHT OUTER JOIN df2

ON df1.key = df2.key;

在pandas中实现同样可以使用merge()并指定how关键字为left或者right即可

全连接

全连接返回左表和右表中的所有行，无论是否匹配，但并不是所有的数据库都支持，比如mysql就不支持，在SQL中实现全连接可以使用FULL OUTER JOINSELECT *FROM df1FULL OUTER JOIN df2

ON df1.key = df2.key;

在pandas中实现同样可以使用merge()并指定how关键字为outer

七、合并

SQL中UNION操作用于合并两个或多个SELECT语句的结果集，UNION与UNION ALL类似，但是UNION将删除重复的行。示例代码如下SELECT city, rankFROM df1UNION ALLSELECT city, rankFROM df2;/*

city  rank

Chicago     1

San Francisco     2

New York City     3

Chicago     1

Boston     4

Los Angeles     5

*/

在pandas中可以使用concat()实现UNION ALL

上面是UNION ALL保留重复值，如果希望删除可以使用 drop_duplicates()

以上就是本文的全部内容，可以看到在不同的场景下不同的语言有着不同的特性