Python Pandas og SQL | 2026 Guide til problemfri dataanalyse

Python Pandas og SQL danner fundamentet for dataanalyse, maskinlæring og ETL-pipelines. Håndtering af store DataFrames og kørsel af komplekse databaseforespørgsler kræver effektivitet uden at gå på kompromis med kodens klarhed.

Denne guide dækker opsætning af pandasql og Pandas' native SQL-metoder, præsenterer eksempler på DataFrame-forespørgsler fra den virkelige verden og beskriver bedste praksis for at optimere analysearbejdsgange og rapportering.

Broen: Pandasql og Native Pandas SQL-integration

pandasql muliggør udførelse af SQL-forespørgsler direkte på Pandas DataFrames, hvilket eliminerer behovet for eksporter data, klargøre en separat database eller implementere yderligere API'er; brugerne skriver blot SQL-sætninger, modtager en resulterende DataFrame og fortsætter uafbrudt.

Installation af pandasql

python

pip install pandasql

Nu er du klar til at blande SQL og Pandas som en professionel.

Introduktion: Grundlæggende brug

Lad os gennemgå et simpelt eksempel. Antag, at du har en DataFrame:

python

import pandas as pd
import pandasql as psql

data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)

query = "SELECT * FROM df"
result = psql.sqldf(query, locals())
print(result)

Dette returnerer den fulde DataFrame, ligesom df.head() men ved hjælp af SQL-syntaks. Du kan nu filtrere, gruppere og join-dele ligesom du ville gøre i en database.

Dataanalyse fra den virkelige verden med Pandas og SQL

Lad os gå op i niveau med et praktisk datasæt. Forestil dig, at du analyserer et bilsalgsdatasæt med kolonner som brand, model, year, price, mileageOg meget mere.

Indlæsning og udforskning af data

python

import pandas as pd
import pandasql as ps

car_data = pd.read_csv("cars_datasets.csv")
print(car_data.head())

print(car_data.info())
print(car_data.isnull().sum())

Du vil se kolonnenavnene, datatyperog eventuelle manglende værdier – afgørende for kvalitetsdataanalyse.

Kørsel af SQL-forespørgsler på DataFrames

python

def q(query):
    return ps.sqldf(query, {'car_data': car_data})

q("""
SELECT brand, model, year, price
FROM car_data
ORDER BY price DESC
LIMIT 10
""")

python

q("""
SELECT brand, ROUND(AVG(price), 2) AS avg_price
FROM car_data
GROUP BY brand
ORDER BY avg_price DESC
""")

python

q("""
SELECT *
FROM car_data
WHERE year > 2015
ORDER BY year DESC
""")

python

q("""
SELECT brand, COUNT(*) as total_listed
FROM car_data
GROUP BY brand
ORDER BY total_listed DESC
LIMIT 5
""")

python

q("""
SELECT condition, ROUND(AVG(price), 2) AS avg_price, COUNT(*) as listings
FROM car_data
GROUP BY condition
ORDER BY avg_price DESC
""")

python

q("""
SELECT brand,
ROUND(AVG(mileage), 2) AS avg_mileage,
ROUND(AVG(price), 2) AS avg_price,
COUNT(*) AS total_listings
FROM car_data
GROUP BY brand
ORDER BY avg_price DESC
LIMIT 10
""")

python

q("""
SELECT brand,
ROUND(AVG(price/mileage), 4) AS price_per_mile,
COUNT(*) AS total
FROM car_data
WHERE mileage > 0
GROUP BY brand
ORDER BY price_per_mile DESC
LIMIT 10
""")

Du kan endda bruge widgets og Plotly til interaktive dashboards:

python

import plotly.express as px
import ipywidgets as widgets

state_dropdown = widgets.Dropdown(
    options=car_data['state'].unique().tolist(),
    value=car_data['state'].unique()[0],
    description='Select State:',
    layout=widgets.Layout(width='50%')
)

def plot_avg_price_state(state_selected):
    query = f"""
    SELECT brand, AVG(price) AS avg_price
    FROM car_data
    WHERE state = '{state_selected}'
    GROUP BY brand
    ORDER BY avg_price DESC
    """
    result = q(query)
    fig = px.bar(result, x='brand', y='avg_price', color='brand',
                 title=f"Average Car Price in {state_selected}")
    fig.show()

widgets.interact(plot_avg_price_state, state_selected=state_dropdown)

Dette gør din analyse interaktiv og visuelt tiltalende – perfekt til dashboards eller præsentationer.

Ud over pandasql: Native Pandas SQL-operationer

Mens pandasql er et paradis til hurtige SQL-lignende forespørgsler, understøtter Pandas også direkte SQL-integration til arbejde med faktiske databaser (som SQLite, PostgreSQL, MySQL):

Eksempel: Læsning og skrivning til SQL

python

import pandas as pd
import sqlite3

# Connect to SQLite database
conn = sqlite3.connect(":memory:")

# Create a table and insert data
conn.execute("CREATE TABLE Students (id INTEGER, Name TEXT, Marks REAL, Age INTEGER)")
conn.execute("INSERT INTO Students VALUES (1, 'Kiran', 80, 16), (2, 'Priya', 60, 14), (3, 'Naveen', 82, 15)")

# Read from SQL
df = pd.read_sql("SELECT * FROM Students", conn)
print(df)

# Write to SQL
df.to_sql("Students_Copy", conn, if_exists="replace", index=False)

Denne tilgang er perfekt til ETL-pipelines, rapportering og arbejdsgange for produktionsdata.

Avancerede brugsscenarier: ETL, maskinlæring og dashboards

Kombinationen af ​​SQL og Pandas handler ikke kun om at forespørge – det handler om at bygge smartere arbejdsgange:

Pandasql vs. Pure Pandas: Hvornår skal man bruge hvad?

Feature	pandasql (SQL)	Rene pandaer
Syntaks	SQL (kendt for mange)	Python (fleksibel, kraftfuld)
Læsbarhed	Høj for komplekse forespørgsler	Kan blive ordrig
Ydeevne	Langsommere på meget store datasæt	Hurtigere, optimeret til Python
Tilslutninger/Gruppering	Meget intuitivt	Mere kode, men flere muligheder
Integration	God til hurtig analyse	Bedst til produktionsarbejdsgange

Begrænsninger og bedste praksis

Afsluttende tanker

Den integrerede brug af Python Pandas og SQL repræsenterer en essentiel kompetence for dataanalytikere, AI ingeniører og forskere. Denne metode tilpasser relationelle databaseforespørgsler med Pandas' kraftfulde DataFrame operationer, hvilket forbedrer både effektivitet og kodeklarhed. Ved at udnytte værktøjer som pandasql sammen med Pandas' native SQL-integration kan teams udføre udforskende dataanalyse (EDA), robuste ETL-arbejdsgange og maskinlæringspipelines i et sammenhængende miljø.

Statistikker at huske:

Ved at anvende denne dobbelte tilgang sikres skalerbare og vedligeholdelige analyseprocesser, der positionerer teams til langsigtet succes.