今天小编打算来讲一下Pandas和SQL之间语法的差异，相信对于不少数据分析师而言，无论是Pandas模块还是SQL，都是日常学习工作当中用的非常多的工具，当然我们也可以在Pandas模块当中来调用SQL语句，通过调用read_sql()方法
建立数据库
首先我们通过SQL语句在新建一个数据库，基本的语法相信大家肯定都清楚，
CREATE TABLE 表名 ( 字段名称 数据类型 ...)
那么我们来看一下具体的代码
同时我们也往这些新建的表格当中插入数据，代码如下
我们可以通过下面的代码来查看新建的表格，并且转换成DataFrame格式的数据集，代码如下
output
我们总共新建了5个数据集，主要是涉及到了甜品、甜品的种类以及加工和仓储的数据，而例如甜品的数据集当中主要包括的有甜品的重量、糖分的含量、生产的日期和过期的时间、成本等数据，以及
output
加工的数据集当中则涉及到了工厂的主要负责人和联系方式，而仓储的数据集当中则涉及到了仓储的详细地址、城市所在地等等
output
还有甜品的种类数据集，
output
数据筛查
简单条件的筛选
接下来我们来做一些数据筛查，例如筛选出甜品当中重量等于300的甜品名称，在Pandas模块中的代码是这个样子的
output
1 Mikus 6 Soucus 11 Macus Name: name, dtype: object
当然我们还可以通过pandas当中的read_sql()方法来调用SQL语句
output
我们再来看一个相类似的案例，筛选出成本等于100的甜品名称，代码如下
output
Milty
针对文本型的数据，我们也可以进一步来筛选出我们想要的数据，代码如下
output
Milty MikusMiviMiMisaMaltikMacus
当然在SQL语句当中的通配符，%表示匹配任意数量的字母，而_表示匹配任意一个字母，具体的区别如下
output
output
复杂条件的筛选
下面我们来看一下多个条件的数据筛选，例如我们想要重量等于300并且成本价控制在150的甜品名称，代码如下
output
Mikus
或者是筛选出成本价控制在200-300之间的甜品名称，代码如下
output
要是涉及到排序的问题，在SQL当中使用的是ORDER BY语句，代码如下
output
而在Pandas模块当中调用的则是sort_values()方法，代码如下
output
11 Macus 10 Maltik 9 Sor 8 Co 7 Soviet 6 Soucus 5 Soltic 4 Misa 3 Mi 2 Mivi 1 Mikus 0 Milty Name: name, dtype: object
筛选出成本价较高的甜品名称，在Pandas模块当中的代码是这个样子的
output
11 Macus Name: name, dtype: object
而在SQL语句当中的代码，我们需要首先筛选出成本较高的是哪个甜品，然后再进行进一步的处理，代码如下
我们想要看一下是仓储的城市具体是有哪几个，在Pandas模块当中的代码是这个样子的，通过调用unique()方法
df_storehouses['city'].unique()
output
array(['Moscow', 'Saint-petersburg', 'Yekaterinburg'], dtype=object)
而在SQL语句当中则对应的是DISTINCT关键字
数据分组统计
在Pandas模块当中分组统计一般调用的都是groupby()方法，然后后面再添加一个统计函数，例如是求分均值的mean()方法，或者是求和的sum()方法等等，例如我们想要查找出在不止一个城市生产加工甜品的名称，代码如下
output
name Mishan 2 Name: name, dtype: int64
而在SQL语句当中的分组也是GROUP BY，后面要是还有其他条件的话，用的是HAVING关键字，代码如下
数据合并
当两个数据集或者是多个数据集需要进行合并的时候，在Pandas模块当中，我们可以调用merge()方法，例如我们将df_sweets数据集和df_sweets_types两数据集进行合并，其中df_sweets当中的sweets_types_id是该表的外键
output
output
具体数据合并的代码如下所示
output
我们再进一步的筛选出巧克力口味的甜品，代码如下
output
10 Misa 11 Sor Name: name_x, dtype: object
而SQL语句则显得比较简单了，代码如下
output
数据集的结构
我们来查看一下数据集的结构，在Pandas模块当中直接查看shape属性即可，代码如下