Шпаргалка по трансляции SQL-запросов в синтаксис Pandas: фильтрация, агрегации и объединенияКратко · дайджест за 15 августа
Кратко≈ 1 мин

Шпаргалка по трансляции SQL-запросов в синтаксис Pandas: фильтрация, агрегации и объединения

Для аналитиков и инженеров, переносящих логику обработки данных из SQL в Python-пайплайны, официальное руководство Comparison with SQL в документации Pandas систематизирует соответствие типовых команд:

  • Фильтрация (WHERE): булева маска df[df['status'] == 'active'].
  • Сортировка и уникальность (ORDER BY, DISTINCT): df.sort_values('date', ascending=False) и df.drop_duplicates().
  • Обработка пропусков и типов (COALESCE, CAST): df['col'].fillna(0) и df['col'].astype('int64').
  • Групповые метрики (GROUP BY): df.groupby('dept').agg(total=('salary', 'sum'), avg=('salary', 'mean')).
  • Объединение таблиц (JOIN, UNION ALL): pd.merge(left, right, on='id', how='inner') и pd.concat([df1, df2]).

Инженерный нюанс: в отличие от SQL, где значения NULL не равны друг другу в операциях JOIN, метод pd.merge по умолчанию сопоставляет строки с NaN-ключами. Кроме того, обработка в Pandas происходит в оперативной памяти (in-memory), поэтому первичную фильтрацию тяжелых таблиц безопаснее выполнять на стороне СУБД.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 2