如何在Pandas中以SQL查询样式选择数据子集？
介绍
在本文中，我将向您展示如何使用Pandas的SQL样式过滤来执行数据分析。公司的大多数数据都存储在需要SQL来检索和操作它的数据库中。例如，有像Oracle，IBM，Microsoft这样的公司都有自己的数据库和自己的SQL实现。
数据科学家必须在其职业生涯的某些阶段处理SQL，因为数据并不总是存储在CSV文件中。我个人更喜欢使用Oracle，因为我公司的大部分数据都存储在Oracle中。
场景–1假设我们有一项任务，要在以下条件下从电影数据集中查找所有电影。
电影的语言应为英语或西班牙语。
电影的受欢迎程度必须在500到1000之间。
电影的状态必须被释放。
投票数必须大于5000。对于上述情况，SQL语句如下所示。
SELECT
title AS movie_title
,original_language AS movie_language
,popularityAS movie_popularity
,statusAS movie_status
,vote_count AS movie_vote_count movies_data
FROM
movies_data
WHERE
original_languageIN ('en', 'es')
AND status=('Released')
AND popularitybetween 500 AND 1000
AND vote_count > 5000;现在您已经了解了需求的SQL，让我们逐步使用pandas进行此操作。我将向您展示两种方法。
方法1：布尔索引
将movies_data数据集加载到DataFrame。
import pandas as pd movies = pd.read_csv("https://raw.githubusercontent.com/sasankac/TestDataSet/master/movies_data.csv" )为每个条件分配一个变量。
languages = ["en","es"] condition_on_languages = movies.original_language.isin(languages) condition_on_status = movies.status == "Released" condition_on_popularity = movies.popularity.between(500, 1000) c ondition_on_votecount = movies.vote_count > 5000
将所有条件（布尔数组）组合在一起。
final_conditions = (condition_on_languages & condition_on_status & condition_on_popularity & conditi on_on_votecount ) columns = [ "title" , "original_language" , "status" , "popularity" , "vote_count" ] # clubbing all together movies.loc[final_conditions, columns]
方法2：-.query()方法。
.query()方法是一种SQLwhere子句样式的数据过滤方法。可以将条件作为字符串传递给此方法，但是，列名不能包含任何空格。
如果列名中有空格，请使用pythonreplace函数将其替换为下划线。
根据我的经验，我发现将query()方法应用于较大的DataFrame时比以前的方法要快。
import pandas as pd movies = pd.read_csv("https://raw.githubusercontent.com/sasankac/TestDataSet/master/movies_data.csv" )构建查询字符串并执行该方法。
请注意，.query方法不适用于跨越多行的三引号引起来的字符串。
final_conditions = ( "original_language in ['en','es']" "and status == 'Released' " "and popularity > 500 " "and popularity < 1000" "and vote_count > 5000" ) final_result = movies.query(final_conditions) final_result
在我的编码中，通常还有更多值要检查“in”子句中的值。因此，上面的语法不太适合使用。可以使用at符号（@）引用Python变量。
您还可以以编程方式将值创建为python列表，并将其与（@）一起使用。
movie_languages = ['en','es'] final_conditions = ( "original_language in @movie_languages " "and status == 'Released' " "and popularity > 500 " "and popularity < 1000" "and vote_count > 5000" ) final_result = movies.query(final_conditions) final_result