当Excel遇到大数据问题，是时候用Python来拯救了

前言

与从事分析工作的人交谈，他们会告诉你他们对excel的爱恨情仇:

excel能做很多事情;当涉及到更大的数据集时，这简直是一种痛苦。数据需要很长时间才能加载，在你意识到机器的内存耗尽之前，整个事情就变得无法管理了。更不用说excel最多只能支持1,048,576行。

如果有一种简单的方法，那就是将数据传输到SQL数据库中进行分析。这就是Python拯救世界的方式。

Python中的SQL

首先，让我们研究一下在Python中使用SQL时最流行的选项:MySQL和SQLite。

MySQL有两个流行的库:PyMySQL和MySQLDb;而SQLite有SQLite3。

SQLite就是所谓的嵌入式数据库，这意味着它在我们的应用程序中运行，因此不需要先在某个地方安装它(不像MySQL)。

这是一个重要的区别;在我们寻求快速数据分析的过程中起着关键作用。因此，我们将继续学习如何使用SQLite。

在Python中设置SQLite

我们需要做的第一件事是导入库:

import sqlite3

然后，我们需要确定是否要在任何地方保存这个数据库，还是在应用程序运行时将它保存在内存中。

如果决定通过导入任何数据来实际保存数据库，那么我们必须给数据库一个名称，例如' FinanceExplainedDb '，并使用以下命令:

dbname = 'FinanceExplainedDb'
conn = sqlite3.connect(dbname + '.sqlite')

另一方面，如果我们想把整个东西保存在内存中，并在完成后让它消失，我们可以使用以下命令:

conn = sqlite3.connect(':memory:')

至此，SQLite已经全部设置好，可以在Python中使用了。假设我们在Table 1中加载了一些数据，我们可以用以下方式执行SQL命令:

cur = conn.cursor()
cur.execute('SELECT * FROM Table1')
for row in cur:
    print(row)

现在让我们探索如何通过使用pandas的应用程序使数据可用。

使用pandas加载数据

假设我们已经有了数据，我们想要进行分析，我们可以使用Pandas库来做这件事。

首先，我们需要导入pandas库，然后我们可以加载数据:

import pandas as pd
#if we have a csv file
df = pd.read_csv('ourfile.csv')
#if we have an excel file
df = pd.read_excel('ourfile.xlsx')

一旦我们加载数据，我们可以把它直接放入我们的SQL数据库与一个简单的命令:

df.to_sql(name='Table1', con=conn)

如果在同一个表中加载多个文件，可以使用if_exists参数:

df.to_sql(name='Table1', con=conn, if_exists='append')

在处理较大的数据集时，我们将无法使用这个单行命令来加载数据。我们的应用程序将耗尽内存。相反，我们必须一点一点地加载数据。在这个例子中，我们假设每次加载10,000行:

chunksize = 10000
for chunk in pd.read_csv('ourfile.csv', chunksize=chunksize):
    chunk.to_sql(name='Table1', con=conn, if_exists='append')

把所有的东西放在一起

为了将所有内容综合起来，我们提供一个Python脚本，它涵盖了我们讨论的大部分内容。

import sqlite3, pandas as pd, numpy as np
#####Creating test data for us -- you can ignore
from sklearn import datasets
iris = datasets.load_iris()
df1 = pd.DataFrame(data= np.c_[iris['data'], iris['target']], columns= iris['feature_names'] + ['target'])
df1.to_csv('TestData.csv',index=False)
###########################
conn = sqlite3.connect(':memory:')
cur = conn.cursor()
chunksize = 10
for chunk in pd.read_csv('TestData.csv', chunksize=chunksize):
    chunk.columns = chunk.columns.str.replace(' ', '_') #replacing spaces with underscores for column names
    chunk.to_sql(name='Table1', con=conn, if_exists='append')
cur.execute('SELECT * FROM Table1')
names = list(map(lambda x: x[0], cur.description)) #Returns the column names
print(names)
for row in cur:
    print(row)
cur.close()原文：见文末阅读原文。