Шпаргалка по переходу с SQL на библиотеку Pandas в PythonКратко · дайджест за 29 июня
Кратко≈ 1 мин

Шпаргалка по переходу с SQL на библиотеку Pandas в Python

Переход от реляционных баз данных к анализу в Python часто требует адаптации SQL-мышления под объектную модель библиотеки Pandas. Ниже приведены ключевые соответствия операций:

  • Фильтрация: WHERE col = 'val' заменяется на булево индексирование df[df['col'] == 'val'].
  • Сортировка: ORDER BY col ASC сопоставима с df.sort_values(by='col', ascending=True).
  • Группировка: GROUP BY g_col выражается через шаблон split-apply-combine: df.groupby('g_col')['col'].mean().
  • Объединение таблиц: JOIN реализуется через метод pd.merge(t1, t2, on='key'), а UNION ALL — через pd.concat([t1, t2]).

Однако прямое механическое копирование логики может привести к ошибкам в расчетах из-за разной семантики. Во-первых, SQL-функция COUNT(column) полностью игнорирует значения NULL, в то время как Pandas-метод .count() считает только непустые (non-NA) элементы, а функции len(df) или .size() вернут полный размер структуры. Во-вторых, SQL-оператор UNION по умолчанию удаляет дубликаты строк, тогда как pd.concat оставляет их (аналог UNION ALL), требуя вызова .drop_duplicates() для дедупликации. Наконец, pd.merge по умолчанию выполняет внутреннее соединение (inner join), если не указан параметр how. Понимание этих нюансов позволяет переносить логику обработки данных без потери точности.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 3 голоса.
Источники · 3