标签:SQLite name df price DataFrames products sql Pandas conn
在数据探查、分析时,经常会将CSV,XML或JSON等文件加载到 pandas DataFrame中,
但DataFrame不能直接使用SQL进行分析
本文提供两种示例,将DataFrame写入sqllite, 然后再进行SQL分析
基于sqlalchemy实现
import pandas as pd
import sqlite3
from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker
data = {
'product_name': ['Computer','Tablet','Monitor','Printer'],
'price': [900,300,450,150]
}
df = pd.DataFrame(data, columns= ['product_name','price'])
engine = create_engine('sqlite:///test.db', echo=False)
df.to_sql('products', engine.connect(),if_exists='replace', index = False)
# 基于pandas查询数据
pd.read_sql("SELECT * FROM products WHERE price = (SELECT max(price) FROM products)",engine)
#基于sqlalchemy查询数据
Session = sessionmaker(bind=engine)
db_session = Session()
for row in db_session.execute('select * from products'):
print(row)
基于sqlite3实现
import pandas as pd
import sqlite3
def query_sql(conn,sql):
c=conn.cursor()
c.execute(sql)
return c.fetchall()
def execute_sql(conn,sql):
c=conn.cursor()
c.execute(sql)
conn.commit()
conn = sqlite3.connect('test_database')
execute_sql(conn,'CREATE TABLE IF NOT EXISTS products (product_name text, price number)')
data = {
'product_name': ['Computer','Tablet','Monitor','Printer'],
'price': [900,300,450,150]
}
df = pd.DataFrame(data, columns= ['product_name','price'])
df.to_sql('products', conn, if_exists='replace', index = False)
df = pd.DataFrame(query_sql(conn,'SELECT * FROM products WHERE price = (SELECT max(price) FROM products)'), columns=['product_name','price'])
print (df)
标签:SQLite,name,df,price,DataFrames,products,sql,Pandas,conn 来源: https://blog.csdn.net/penriver/article/details/121713047
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。