使用Pandas进行数据库工作

对保存在SQL中的数据进行各种操作可能会导致执行非常复杂的查询，而这些查询并不容易编写。因此，为了使这项任务更容易完成，使用pandas来完成这项工作往往是有用的，因为pandas是专门为数据预处理而建立的，比SQL更简单和友好。

可能会有这样的情况，有时数据存储在SQL中，我们想用python从SQL中获取这些数据，然后用pandas进行操作。因此，让我们看看如何使用pandas与SQL数据库进行交互。

这就是我们要使用的数据库
diabetes_data

注意：假设我们的数据存储在sqlite3中。

读取数据

# import the libraries
import sqlite3
import pandas as pd
  
# create a connection
con = sqlite3.connect('Diabetes.db')
  
# read data from SQL to pandas dataframe.
data = pd.read_sql_query('Select * from Diabetes;', con)
  
# show top 5 rows
data.head()

输出

基本操作

• 划分行数
  我们可以进行切片操作，从一个给定的范围内获得所需的行数。
  在切片的帮助下，我们可以只对数据的特定子集执行各种操作
  “`python # read the data from sql to pandas dataframe.
  data = pd.read_sql_query('Select * from Diabetes;', con)
    
  # slicing the number of rows 
  df1 = data[10:15]
  df1</li>
  </ul>

  <pre><code class=""><br />**输出**
  

  ****

  * **选择特定列**
  选择一个特定的列或从数据框架中选择一些列以进一步处理数据。
  “`python # read the data from sql to
  # pandas dataframe.
  data = pd.read_sql_query(‘Select * from Diabetes;’, con)
    
  # selecting specific columns.
  df2 = data.loc[:, [‘Glucose’, ‘BloodPressure’]].head()
  df2
  

  输出:
  

  ---

  • 总结数据
    为了从数据中获得洞察力，我们必须有一个数据的统计摘要。为了显示数据的统计摘要，如平均数、中位数、模式、std等。我们执行以下操作
    “`python # read the data from sql 
    # to pandas dataframe.
    data = pd.read_sql_query('Select * from Diabetes;', con)
      
    # summarize the data
    data.describe()</li>
    </ul>

    <pre><code class=""><br />**输出:**
    

    ****

    * **对某一列数据进行排序**
    用于根据给定的列值对数据框架进行排序
    “`python # read the data from sql 
    # to pandas dataframe.
    data = pd.read_sql_query(‘Select * from Diabetes;’, con)
      
    # sort data with respect 
    # to particular column.
    data.sort_values(by =’Age’).head()
    

    输出:
    

    ---

    • 显示每一列的平均数
      显示数据框架中每一列的平均数。
      python # read the data from sql 
# to pandas dataframe.
data = pd.read_sql_query('Select * from Diabetes;', con)
  
# count number of rows and columns
data.mean()

    输出: