PandaSQL：一个让你能够通过SQL语句进行pandas的操作的python包

Pandas是近年来最好的数据操作库之一。它允许切片、分组、连接和执行任意数据转换。如果你熟练的使用SQL,那么这篇文章将介绍一种更直接、简单的使用Pandas处理大多数数据操作案例。

假设你对SQL非常的熟悉，或者你想有更可读的代码。或者您只是想在dataframe上运行一个特殊的SQL查询。或者，也许你来自R，想要一个sqldf的替代品。

这篇文章将介绍一种在pandas的dataframe中使用SQL的python包，并且使用一个不等链接的查询操作来介绍PandasSQL的使用方法。

不等连接(Non-equi join)

假设你必须连接两个dataframe。其中一个显示了我们对某些商品进行促销的时间段。第二个是事务Dataframe。我想知道促销活动推动的销售情况，也就是促销期间的销售情况。

我们可以通过联接项目列以及联接条件(TransactionDt≥StartDt和TransactionDt≤EndDt)来实现这一点。因为现在我们的连接条件也有大于号和小于号，这样的连接称为不等连接。在继续之前，一定要考虑如何在pandas中做这样的事情。

pandas的解决方案

那么在pandas身上该怎么做呢?pandas肯定可以解决这个问题，尽管我认为它的可读性不够。

让我们从生成一些要处理的随机数据开始。

import pandas as pd
import random
import datetime

def random_dt_bw(start_date,end_date):
    days_between = (end_date - start_date).days
    random_num_days = random.randrange(days_between)
    random_dt = start_date + datetime.timedelta(days=random_num_days)
    return random_dt

def generate_data(n=1000):
    items = [f"i_{x}" for x in range(n)]
    start_dates = [random_dt_bw(datetime.date(2020,1,1),datetime.date(2020,9,1)) for x in range(n)]
    end_dates = [x + datetime.timedelta(days=random.randint(1,10)) for x in start_dates]
    
    offerDf = pd.DataFrame({"Item":items,
                            "StartDt":start_dates,
                            "EndDt":end_dates})
    
    transaction_items = [f"i_{random.randint(0,n)}" for x in range(5*n)]
    transaction_dt = [random_dt_bw(datetime.date(2020,1,1),datetime.date(2020,9,1)) for x in range(5*n)]
    sales_amt = [random.randint(0,1000) for x in range(5*n)]
    
    transactionDf = pd.DataFrame({"Item":transaction_items,"TransactionDt":transaction_dt,"Sales":sales_amt})

    return offerDf,transactionDf

您不需要担心上面的随机数据生成代码。只要知道我们的随机数据是什么样子就可以了:

offerDf,transactionDf = generate_data(n=100000)

一旦我们有了数据，我们就可以通过合并列项上的数据来进行不等连接，然后根据所需条件进行过滤。

merged_df = pd.merge(offerDf,transactionDf,on='Item')pandas_solution = merged_df[(merged_df['TransactionDt']>=merged_df['StartDt']) &
          (merged_df['TransactionDt']<=merged_df['EndDt'])]

结果如下，正如我们所希望的:

PandaSQL解决方案

Pandas解决方案很好，可以做我们想做的事情，但是我们也可以使用PandaSQL以一种可读性更强的方式完成同样的事情。

PandaSQL是什么?

PandaSQL为我们提供了在panda数据数据库上编写SQL的方法。因此，如果您已经编写了一些SQL查询，那么使用pandaSQL可能比将它们转换为panda语法更有意义。为了开始使用PandaSQL，我们简单地安装它:

pip install -U pandasql

安装了pandaSQL之后，我们可以通过创建pysqldf函数来使用它，该函数接受一个查询作为输入，并运行该查询来返回一个Pandas DF。不用担心语法，因为跟使用pandas差不多。

from pandasql import sqldf
pysqldf = lambda q: sqldf(q, globals())

现在，我们可以使用这个函数在我们的pandas dataframe上运行任何SQL查询。下面是不等连接，我们希望使用可读性更强的SQL格式。

q = """
    SELECT A.*,B.TransactionDt,B.Sales
        FROM
            offerDf A
        INNER JOIN
            transactionDf B
        ON
            A.Item = B.Item AND
            A.StartDt <= B.TransactionDt AND
            A.EndDt >= B.TransactionDt;
    """
pandaSQL_solution = pysqldf(q)

结果是一个我们所期望的panda Dataframe。索引已经自动为我们重置了，不像以前那样需要手动操作。

警告

虽然PandaSQL函数允许我们在我们的panda数据框架上运行SQL查询，并且在某些情况下是一个非常好的工具，但是它的性能不如纯panda语法。

当我们用可读性更强的PandaSQL为pandas计时时，我们发现PandaSQL花费的时间大约是原生pandas的10倍。

结论

虽然PandaSQL库的性能不如本地的panda，但当我们想进行特别分析时，它是对我们的数据分析工具箱的一个很好的补充，而且对于那些更习惯使用SQL查询的人来说。

想要更深入地了解这篇文章的代码，请访问我的GitHub知识库，在那里你可以找到这篇文章和我所有的文章的代码。

https://github.com/MLWhiz/data_science_blogs/tree/master/pandasql

译者注：我一直在寻找能够使用sql处理pandas的dataframe的解决方案，pandasSQL在这这方面起到了很好的开端，虽然他的性能还不足以在生产环境中使用，但是我们再进行EDA和数据分析等一次性的操作的时候完全可以使用sql替代复杂的pandas的查询语法。所以如果你跟我一样，对SQL非常熟悉，并且厌倦了pandas的复杂语法，pandasSQL是一个很好的解决方案

作者：Rahul Agarwal

deephub翻译组