Big Data

通过 SQL 查询学习 Pandas 数据处理

Pandas 是一款广泛使用的数据处理工具。结合 NumPy 和 Matplotlib 类库，我们可以在内存中进行高性能的数据清洗、转换、分析及可视化工作。虽然 Python 本身是一门非常容易学习的语言，但要熟练掌握 Pandas 丰富的 API 接口及正确的使用方式，还是需要投入一定时间的。对于数据开发工程师或分析师而言，SQL 语言是标准的数据查询工具。本文提供了一系列的示例，如何将常见的 SQL 查询语句使用 Pandas 来实现。

Pandas 的安装和基本概念并不在本文讲述范围内，请读者到官网上阅读相关文档，或者阅读《利用 Python 进行数据分析》一书。我推荐大家使用 Anaconda Python 套件，其中集成了 Spyder 集成开发环境。在运行下文的代码之前，请先引入 Pandas 和 NumPy 包：

1
2
import pandas as pd
import numpy as np

FROM - 读取数据

首先，我们需要将数据加载到工作区（内存）。Pandas 原生支持非常多的数据格式，CSV 是较常见的一种。我们以航班延误时间数据集为例（下载地址）：

1
2
3
4
date,delay,distance,origin,destination
02221605,3,358,BUR,SMF
01022100,-5,239,HOU,DAL
03210808,6,288,BWI,ALB

我们可以使用 pd.read_csv 函数加载它：

1
2
df = pd.read_csv('flights.csv', dtype={'date': str})
df.head()

这条命令会将 flights.csv 文件读入内存，使用首行作为列名，并自动检测每一列的数据类型。其中，由于 date 一列的日期格式是 %m%d%H%M，自动转换成数字后会失去月份的前异零（02 月的 0），因此我们显式指定了该列的 dtype，告知 Pandas 保留原值。

df.head 用于查看数据集的前 N 行，功能类似于 LIMIT N。如果要实现 LIMIT 10, 100，可以使用 df.iloc[10:100]。此外，IPython 终端默认只显示 60 行数据，我们可以通过以下方法修改设置：

1
2
pd.options.display.max_rows = 100
df.iloc[10:100]

另外一种常见的数据源是关系型数据库，Pandas 也提供了内置支持：

1
2
3
4
5
conn = pymysql.connect(host='localhost', user='root')
df = pd.read_sql("""
select `date`, `delay`, `distance`, `origin`, `destination`
from flights limit 1000
""", conn)

如果要将 DataFrame 保存到文件或数据库中去，可以分别使用 pd.to_csv 和 pd.to_sql 函数。

SELECT - 选择列

SELECT 语句在 SQL 中用于选择需要的列，并对数据做清洗和转换。

1
2
3
df['date'] # SELECT `date`
df[['date', 'delay']] # SELECT `date`, `delay`
df.loc[10:100, ['date', 'delay']] # SELECT `date, `delay` LIMIT 10, 100

SQL 提供了诸多函数，大部分都可以用 Pandas 来实现，而且我们也很容易用 Python 编写自定义函数。下面我将列举一些常用的函数。

字符串函数

Pandas 的字符串函数可以通过 DateFrame 和 Series 的 str 属性来调用，如 df['origin'].str.lower()。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# SELECT CONCAT(origin, ' to ', destination)
df['origin'].str.cat(df['destination'], sep=' to ')

df['origin'].str.strip() # TRIM(origin)
df['origin'].str.len() # LENGTH(origin)
df['origin'].str.replace('a', 'b') # REPLACE(origin, 'a', 'b')

# SELECT SUBSTRING(origin, 1, 1)
df['origin'].str[0:1] # 使用 Python 字符串索引

# SELECT SUBSTRING_INDEX(domain, '.', 2)
# www.example.com -> www.example
df['domain'].str.split('.').str[:2].str.join('.')
df['domain'].str.extract(r'^([^.]+\.[^.]+)')

Pandas 有一个名为广播的特性（broadcast），简单来说就是能够将低维数据（包括单个标量）和高维数据进行结合和处理。例如：

1
2
3
df['full_date'] = '2001' + df['date'] # CONCAT('2001', `date`)
df['delay'] / 60
df['delay'].div(60) # 同上

Pandas 还内置了很多字符串函数，它们的用法和 SQL 有一定区别，但功能更强。完整列表可以参考文档 Working with Text Data。

日期函数

pd.to_datetime 用于将各种日期字符串转换成标准的 datetime64 类型。日期类型的 Series 都会有一个 dt 属性，从中可以获取到有关日期时间的信息，具体请参考文档 Time Series / Date functionality。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# SELECT STR_TO_DATE(full_date, '%Y%m%d%H%i%s') AS `datetime`
df['datetime'] = pd.to_datetime(df['full_date'], format='%Y%m%d%H%M%S')

# SELECT DATE_FORMAT(`datetime`, '%Y-%m-%d')
df['datetime'].dt.strftime('%Y-%m-%d')

df['datetime'].dt.month # MONTH(`datetime`)
df['datetime'].dt.hour # HOUR(`datetime`)

# SELECT UNIX_TIMESTAMP(`datetime`)
df['datetime'].view('int64') // pd.Timedelta(1, unit='s').value

# SELECT FROM_UNIXTIME(`timestamp`)
pd.to_datetime(df['timestamp'], unit='s')

# SELECT `datetime` + INTERVAL 1 DAY
df['datetime'] + pd.Timedelta(1, unit='D')

WHERE - 选择行

在 Pandas 中使用逻辑表达式后，会返回一个布尔型的 Series，通过它可以对数据集进行过滤：

1
2
3
4
5
6
7
8
(df['delay'] > 0).head()
# 0  True
# 1 False
# 2  True
# dtype: bool

# WHERE delay > 0
df[df['delay'] > 0]

我们可以用位运算符来组合多个查询条件：

1
2
3
4
5
6
7
8
# WHERE delay > 0 AND distance <= 500
df[(df['delay'] > 0) & (df['distance'] <= 500)]

# WHERE delay > 0 OR origin = 'BUR'
df[(df['delay'] > 0) | (df['origin'] == 'BUR')]

# WHERE NOT (delay > 0)
df[~(df['delay'] > 0)]

对于 IS NULL 和 IS NOT NULL，也提供了相应的内置函数：

1
2
df[df['delay'].isnull()] # delay IS NULL
df[df['delay'].notnull()] # delay IS NOT NUL

此外，Pandas 还提供了 df.query 方法，可以使用字符串表达式来编写过滤条件：

1
2
df.query('delay > 0 and distaince <= 500')
df.query('(delay > 0) | (origin == "BUR")')

其实，Pandas 提供了功能强大的数据选取工具，很多是无法用 SQL 表达出来的，建议详细阅读 Indexing and Selecting Data 文档，其中包含了丰富的示例。

GROUP BY - 汇总

1
2
3
4
5
6
7
# SELECT origin, COUNT(*) FROM flights GROUP BY origin
df.groupby('origin').size()
# origin
# ABQ    22
# ALB     4
# AMA     4
# dtype: int64

聚合运算包含了两个部分，一是分组字段，二是聚合函数。我们可以传递多个分组字段给 df.groupby，也能够指定多个聚合函数：

1
2
3
4
5
6
7
8
9
# SELECT origin, destination, SUM(delay), AVG(distance)
# GROUP BY origin, destination
df.groupby(['origin', 'destination']).agg({
    'delay': np.sum,
    'distance': np.mean
})

# SELECT origin, MIN(delay), MAX(delay) GROUP BY origin
df.groupby('origin')['delay'].agg(['min', 'max'])

我们还可以将函数的运行结果作为分组条件。更多示例请见 Group By: split-apply-combine。

1
2
# SELECT LENGTH(origin), COUNT(*) GROUP BY LENGTH(origin)
df.set_index('origin').groupby(len).size()

ORDER BY - 排序

Pandas 中有两类排序，按索引和按数值。如果不了解 Pandas 的索引，还请自行查阅相关教程。

1
2
3
4
5
6
# ORDER BY origin
df.set_index('origin').sort_index()
df.sort_values(by='origin')

# ORDER BY origin ASC, destination DESC
df.sort_values(by=['origin', 'destination'], ascending=[True, False])

JOIN - 关联查询

1
2
# FROM product a LEFT JOIN category b ON a.cid = b.id
pd.merge(df_product, df_category, left_on='cid', right_on='id', how='left')

如果联合查询的键是同名的，可以直接使用 on=['k1', 'k2']。默认的关联方式是 INNER JOIN（how='inner'），其它还有左外连接（left）、右外连接（right）、以及 FULL OUTER JOIN（outer)。

pd.concat 可用于实现 UNION 查询。 更多关联查询的示例请参考 Merge, join, and concatenate。

1
2
# SELECT * FROM a UNION SELECT * FROM b
pd.concat([df_a, df_b]).drop_duplicates()

分组排名

最后，我们经常会需要在分组中按某种规则排序，并获得前几位的记录。MySQL 中需要通过变量来实现，Pandas 中则可以使用 rank 函数：

1
2
rnk = df.groupby('origin')['delay'].rank(method='first', ascending=False)
df.assign(rnk=rnk).query('rnk <= 3').sort_values(['origin', 'rnk'])

参考资料