怎么在Python中執(zhí)行SQL、Excel任務(wù)，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。
成都創(chuàng)新互聯(lián)是專業(yè)的治多網(wǎng)站建設(shè)公司，治多接單;提供成都網(wǎng)站建設(shè)、成都網(wǎng)站設(shè)計,網(wǎng)頁設(shè)計,網(wǎng)站設(shè)計,建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進行治多網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團隊,希望更多企業(yè)前來合作!
你可以導入.sql 數(shù)據(jù)庫并用 SQL 查詢中處理它們。在Excel中，你可以雙擊一個文件，然后在電子表格模式下開始處理它。在 Python 中，有更多復雜的特性，得益于能夠處理許多不同類型的文件格式和數(shù)據(jù)源的。
使用一個數(shù)據(jù)處理庫 Pandas，你可以使用 read 方法導入各種文件格式。使用這個方法所能導入完整的文件格式清單是在 Pandas 文檔中。你可以導入從 CSV 和 Excel 文件到 HTML 文件中的所有內(nèi)容！
使用 Python 的最大優(yōu)點之一是能夠從網(wǎng)絡(luò)的巨大范圍中獲取數(shù)據(jù)的能力，而不是只能訪問手動下載的文件。在 Python 的requests 庫可以幫助你分類不同的網(wǎng)站，并從它們獲取數(shù)據(jù)，而 BeautifulSoup 庫可以幫助你處理和過濾數(shù)據(jù)，那么你將精確得到你所需要的。如果你要去這條路線，請小心使用權(quán)問題。
在這個例子中，我們將獲取許多國家人均 GDP（一個技術(shù)術(shù)語，意思是一個國家的人均收入）的維基百科表格，并在 Python 中使用 Pandas 庫對數(shù)據(jù)進行排序。
首先，導入我們需要的庫。
需要 Pandas 庫處理我們的數(shù)據(jù)。需要 numpy 庫來執(zhí)行數(shù)值的操作和轉(zhuǎn)換。我們需要 requests 庫來從網(wǎng)站獲取 HTML 數(shù)據(jù)。需要 BeautifulSoup 來處理這些數(shù)據(jù)。最后，需要 Python（re）的正則表達式庫來更改在處理數(shù)據(jù)時將出現(xiàn)的某些字符串。
在 Python 中,不需要知道很多關(guān)于正則表達式的知識，但它們是一個強大的工具，可用于匹配和替換某些字符串或子字符串。如果你想了解更多，請參考以下內(nèi)容。
這是一個更具技術(shù)性的解釋，詳細說明如何使用 Python 代碼來獲取 HTML 表格。
你可以將上面的代碼復制粘貼到你自己的 Anaconda 中，如果你用一些 Python 代碼運行，可以迭代它！
下面是代碼的輸出，如果你不修改它，就是所謂的字典。
你會注意到逗號分隔起來的括號的 key-value 列表。每個括號內(nèi)的列表都代表了我們 dataframe 中的一行，每列都以 key 表示：我們正在處理一個國家的排名，人均 GDP（以美元表示）及其名稱（用「國家」）。
有關(guān)數(shù)據(jù)結(jié)構(gòu)，如列表和詞典，如何在 Python 中的運行的更多信息，本篇將有所幫助。
幸運的是，為了將數(shù)據(jù)移動到 Pandas dataframe 中，我們不需要理解這些數(shù)據(jù)，這是將數(shù)據(jù)聚合到 SQL 表或 Excel 電子表格的類似方式。使用一行代碼，我們已經(jīng)將這些數(shù)據(jù)分配并保存到 Pandas dataframe 中 —— 事實證明是這種情況，字典是要轉(zhuǎn)換為 dataframe 的完美數(shù)據(jù)格式。
通過這個簡單的 Python 賦值給變量 gdp，我們現(xiàn)在有了一個 dataframe，可以在我們編寫 gdp 的時候打開和瀏覽。我們可以為該詞添加 Python 方法，以創(chuàng)建其中的數(shù)據(jù)的策略視圖。作為我們剛剛在 Python 中使用等號和賦值的一點深入了解，很有幫助。
現(xiàn)在，如果要快速查看我們所做的工作，我們可以使用 head() 方法，它與 Excel 中的選擇幾行或SQL中的 LIMIT 方法非常相似。輕松地使用它來快速查看數(shù)據(jù)集，而無需加載整個數(shù)據(jù)集！如果要查看特定數(shù)量的行，還可以在 head() 方法中插入行數(shù)。
我們得到的輸出是人均 GDP 數(shù)據(jù)集的前五行（head 方法的默認值），我們可以看到它們整齊地排列成三列以及索引列。請注意，Python 索引從0開始，而不是1，這樣，如果要調(diào)用 dataframe 中的第一個值，則使用0而不是1！你可以通過在圓括號內(nèi)添加你選擇的數(shù)字來更改顯示的行數(shù)。試試看！
有一件你在 Python 中很快意識到的事是，具有某些特殊字符（例如$）的名稱處理可能變得非常麻煩。我們將要重命名某些列，在 Excel 中，可以通過單擊列名稱并鍵入新名稱，在SQL中，你可以執(zhí)行 ALTER TABLE 語句或使用 SQL Server 中的 sp_rename。
在 Pandas 中，這樣做的方式是rename 方法。
在實現(xiàn)上述方法時，我們將使用列標題 「gdp_per_capita」 替換列標題「US $」。一個快速的 .head() 方法調(diào)用確認已經(jīng)更改。
有一些數(shù)據(jù)損壞！如果你查看 Rank 列，你會注意到散亂的隨機破折號。這不是很好，由于實際的數(shù)字順序被破壞，這使得 Rank 列無用，特別是使用 Pandas 默認提供的編號索引。
幸運的是，使用內(nèi)置的 Python 方法：del，刪除列變得很容易。
現(xiàn)在，通過另外調(diào)用 head 方法，我們可以確認 dataframe 不再包含 rank 列。
有時，給定的數(shù)據(jù)類型很難使用。這個方便的教程將分解 Python 中不同數(shù)據(jù)類型之間的差異，以便你需要復習。
在 Excel 中，你可以右鍵單擊并找到將列數(shù)據(jù)轉(zhuǎn)換為不同類型的數(shù)據(jù)的方法。你可以復制一組由公式呈現(xiàn)的單元格，并將其粘貼為值，你可以使用格式選項快速切換數(shù)字，日期和字符串。
有時候，在 Python 中切換一種數(shù)據(jù)類型為其他數(shù)據(jù)類型并不容易，但當然有可能。
我們首先在 Python 中使用 re 庫。我們將使用正則表達式來替換 gdp_per_capita 列中的逗號，以便我們可以更容易地使用該列。
re.sub 方法本質(zhì)上是使用空格替換逗號。以下詳細介紹了 re庫 的各個方法。
現(xiàn)在我們已經(jīng)刪除了逗號，我們可以輕易地將列轉(zhuǎn)換為數(shù)字。
現(xiàn)在我們可以計算這列的平均值。
我們可以看到，人均 GDP 的平均值約為13037.27美元，如果這列被判斷為字符串（不能執(zhí)行算術(shù)運算），我們就無法做到這一點。現(xiàn)在，可以對我們以前不能做的人均 GDP 列進行各種計算，包括通過不同的值過濾列，并確定列的百分位數(shù)值。
任何數(shù)據(jù)分析師的基本需求是將大型數(shù)據(jù)集分割成有價值的結(jié)果。為了做到這一點，你必須檢查一部分數(shù)據(jù)：這對選擇和過濾數(shù)據(jù)是非常有幫助的。在 SQL 中，這是通過混合使用 SELECT 和不同的其他函數(shù)實現(xiàn)的，而在 Excel 中，可以通過拖放數(shù)據(jù)和執(zhí)行過濾器來實現(xiàn)。
你可以使用 Pandas 庫不同的方法或查詢快速過濾。
作為一個快速的代表，只顯示人均 GDP 高于 5 萬美元的國家。
這是這樣做到的：
我們?yōu)橐粋€新的 dataframe 分配一個布爾索引的過濾器，這個方法基本上就是說「創(chuàng)建一個人均 GDP 超過 50000 的新 dataframe」?，F(xiàn)在我們可以顯示gdp50000。
有12個國家的 GDP 超過 50000！
選擇屬于以 s 開頭的國家的行。
現(xiàn)在可以顯示一個新 dataframe，其中只包含以 s 開頭的國家。使用 len 方法快速檢查（一個用于計算 dataframe 中的行數(shù)的救星！）表示我們有 25 個國家符合。
要是我們想把這兩個過濾條件連在一起呢？
這里是連接過濾的方法。在多個過濾條件之前，你想要了解它的工作原理。你還需要了解 Python 中的基本操作符。為了這個練習的目的，你只需要知道「&」代表 AND，而「|」代表 Python 中的 OR。然而，通過更深入地了解所有基礎(chǔ)運算符，你可以用各種條件輕松地處理的數(shù)據(jù)。
讓我們繼續(xù)工作，并在過濾選擇以「S」開頭且有大于 50,000 人均 GDP 的國家。
現(xiàn)在過濾以「S」開頭 或人均 GDP 超過 50000 的國家。
我們正在努力處理 Pandas 中的過濾視圖。
沒有可以幫助計算不同的結(jié)果的方法，那么 Excel 會變成什么？
在這種情況下，Pandas 大量依賴于 numpy 庫和通用 Python 語法將計算放在一起。對我們一直在研究的 GDP 數(shù)據(jù)集進行一系列簡單的計算。例如，計算人均國民生產(chǎn)總值超過 5 萬的總和。
這將給你答案為 770046 。使用相同的邏輯，我們可以計算各種的值 — 完整列表位于左側(cè)菜單欄下的計算/描述性統(tǒng)計部分的 Pandas 文檔。
數(shù)據(jù)可視化是一個非常強大的工具 – 它允許你以可理解的格式與其他人分享你獲得的見解。畢竟，一張照片值得一千字。SQL 和 Excel 都具有將查詢轉(zhuǎn)換為圖表和圖形的功能。使用 seaborn 和 matplotlib 庫，你可以使用 Python 執(zhí)行相同操作。
有關(guān)數(shù)據(jù)可視化選項的綜合的教程 – 我最喜歡的是這個 Github readme document （全部在文本中），它解釋了如何在 Seaborn 中構(gòu)建概率分布和各種各樣的圖。這應(yīng)該讓你了解 Python 中數(shù)據(jù)可視化的強大功能。如果你感到不知所措，你可以使用一些解決方案，如Plot.ly，這可能更直觀地掌握。
我們不會檢查每一個數(shù)據(jù)可視化選項，只要說使用 Python，可以比任何 SQL 提供的功能具有更強大的可視化功能，必須權(quán)衡使用 Python 獲得更多的靈活性，以及在 Excel 中通過模板生成圖表的簡易性。
在這種情況下，我們將建立一個簡單的直方圖，顯示人均 GDP 超過 5 萬美元的國家的人均 GDP 分布。
有了這個強大的直方圖方法 (hist())，我們現(xiàn)在可以生成一個直方圖，顯示出大部分人均 GDP 在 5 萬到 7 萬美元之間！
在 Excel 和 SQL 中，諸如 JOIN 方法和數(shù)據(jù)透視表之類的強大工具可以快速匯總數(shù)據(jù)。
Pandas 和 Python 共享了許多從 SQL 和 Excel 被移植的相同方法。可以在數(shù)據(jù)集中對數(shù)據(jù)進行分組，并將不同的數(shù)據(jù)集連接在一起。你可以看看這里的文檔。你會發(fā)現(xiàn)，由 Pandas 中的merge 方法提供的連接功能與 SQL 通過 join 命令提供的連接功能非常相似，而 Pandas 還為過去在 Excel 中使用數(shù)據(jù)透視表的人提供了 pivot table 方法。
我們將制定的人均 GDP 的表格與世界銀行的世界發(fā)展指數(shù)清單進行簡單的連接。
首先導入世界發(fā)展指數(shù)的 .csv文件。
使用 .head() 方法快速查看這個數(shù)據(jù)集中的不同列。
現(xiàn)在我們完成了，我們可以快速看看，添加了幾個可以操作的列，包括不同年份的數(shù)據(jù)來源。
現(xiàn)在我們來合并數(shù)據(jù)：
我們現(xiàn)在可以看到，這個表格包含了人均 GDP 列和具有不同列的遍及全國的數(shù)據(jù)。對于熟悉 SQL join 的用戶，你可以看到我們正在對原始 dataframe 的 Country 列進行內(nèi)部連接。
現(xiàn)在我們有一個連接表，我們希望將國家和人均 GDP 按其所在地區(qū)進行分組。
我們現(xiàn)在可以使用 Pandas 中的 group 方法排列按區(qū)域分組的數(shù)據(jù)。
要是我們想看到 groupby 總結(jié)的永久觀點怎么辦？Groupby 操作創(chuàng)建一個可以被操縱的臨時對象，但是它們不會創(chuàng)建一個永久接口來為構(gòu)建聚合結(jié)果。為此，我們必須使用 Excel 用戶的舊喜愛：數(shù)據(jù)透視表。幸運的是，Pandas 擁有強大的數(shù)據(jù)透視表方法。
你會看到我們收集了一些不需要的列。幸運的是,使用 Pandas 中的 drop 方法，你可以輕松地刪除幾列。
看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)的支持。
重慶分公司
重慶分公司
