Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中read_sql_query方法的使用。
pandas.read_sql_query(sql，con，index_col = None，coerce_float = True，params = None，parse_dates = None，chunksize = None)
将SQL查询读入DataFrame。
返回与查询字符串的结果集对应的DataFrame。（可选）提供index_col参数以使用其中一列作为索引，否则将使用默认整数索引。
参数：
sql：string SQL查询或SQLAlchemy Selectable（select或文本对象）要执行的SQL查询。
con：SQLAlchemy可连接（引擎/连接），数据库字符串URI，或sqlite3 DBAPI2连接使用SQLAlchemy可以使用该库支持的任何数据库。如果是DBAPI2对象，则仅支持sqlite3。
index_col：字符串或字符串列表，可选，默认值：无
要设置为索引的列（MultiIndex）。
coerce_float：boolean，默认为True
尝试将非字符串，非数字对象（如decimal.Decimal）的值转换为浮点值。
对SQL结果集很有用。
params：list，tuple或dict，optional，default：None
要传递给执行方法的参数列表。用于传递参数的语法取决于数据库驱动程序。
检查数据库驱动程序文档，
了解PEP 249的paramstyle中描述的五种语法样式中的哪一种。例如,对于psycopg2，使用%(name)s，所以使用params = {'name'：'value'}
parse_dates：list或dict，默认值：None
要解析为日期的列名列表。
{column_name: format string}格式的字典，其中，格式字符串在解析字符串时间时是与strftime兼容的，或者在解析整数时间戳时是(D、s、ns、ms、us)兼容的。
{column_name: arg dict}格式的字典，其中arg dict对应于关键字参数,特别适用于没有本机Datetime支持的数据库，
例如SQLite。pandas.to_datetime()
chunksize：int，默认无
如果指定，则返回一个迭代器，其中chunksize是要包含在每个块中的行数。
返回：
数据帧
例如，
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
import MySQLdb
conn= MySQLdb.connect(host='myhost',port=3306,user='myusername', passwd='mypassword',
db='information_schema')
sql ="""
SELECT
danceability, energy, loudness, speechiness, acousticness,
instrumentalness, liveness, valence, tempo, activity
FROM songs s, users u, song_user su
WHERE
activity IS NOT NULL AND
s.id = su.song_id AND
su.user_id = u.id AND
u.telegram_user_id = {}
""".format(telegram_id)
df_mysql = pd.read_sql_query(sql, conn)
conn.close()
|
到此这篇关于Python Pandas pandas.read_sql_query函数实例用法分析的文章就介绍到这了,更多相关Python Pandas pandas.read_sql_query函数内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://www.cjavapy.com/article/146/