从SQL到Python:Pandas与SQL实现数据高效转置的策略

心靈之曲
发布: 2025-10-18 09:54:25
原创
696人浏览过

从SQL到Python:Pandas与SQL实现数据高效转置的策略

本文探讨了如何高效地将sql数据库中的长格式数据重构为python中的宽格式列表。针对常见的数据转置需求,文章详细介绍了两种主要策略:首先,通过pandas的`query`结合`pivot`或`set_index`/`unstack`函数进行优化,实现python层面的高效处理;其次,提出将数据转置逻辑下推到sql数据库层面执行,利用sql的聚合函数和条件语句实现更快的性能。文章提供了具体的代码示例和性能考量,旨在帮助开发者根据实际场景选择最适合的数据重构方案。

在数据分析和处理中,我们经常会遇到需要将“长格式”(Long Format)数据转换为“宽格式”(Wide Format)的需求。例如,从关系型数据库中提取的数据通常是长格式,其中每个测量值都对应一行,包含时间戳、测量类型和值。然而,在Python中进行进一步的分析时,我们可能需要将特定测量类型的值组织成独立的列表或数组。本文将深入探讨如何使用Pandas和SQL两种方法,高效地完成这一数据重构任务。

原始数据结构与目标格式

假设我们从SQL数据库中获取的DataFrame结构如下:

        Time    QuantityMeasured       Value
0       t1          A                       7
1       t1          B                       2
2       t1          C                       8
3       t1          D                       9
4       t1          E                       5
...     ...         ...                     ...
18482   tn          A                       5
18483   tn          C                       3
18484   tn          E                       4
18485   tn          B                       5
18486   tn          D                       1
登录后复制

我们的目标是将此数据重构为以下Python列表形式,仅关注'A', 'B', 'C', 'D'这四种测量类型:

list_of_time = ['t1', ..., 'tn']
list_of_A    = [7, ..., 5]
list_of_B    = [2, ..., 5]
list_of_C    = [8, ..., 3]
list_of_D    = [9, ..., 8]
登录后复制

Pandas优化策略

在Python中,Pandas库提供了强大的数据处理能力。对于数据转置,pivot函数是常用的工具。然而,简单的pivot可能不是最优解,特别是当原始数据包含大量不需要的QuantityMeasured类别时。

立即学习Python免费学习笔记(深入)”;

1. 预过滤结合 pivot

当只需要部分QuantityMeasured类别时,在执行转置操作之前先过滤掉不需要的数据,可以显著减少后续操作的数据量,从而提升性能。

import pandas as pd
import numpy as np

# 假设 df 是从数据库读取的原始DataFrame
# df = pd.read_sql("SELECT Time, QuantityMeasured, Value FROM your_table", your_sql_connection)

# 示例数据(模拟从数据库读取)
data = {
    'Time': ['t1', 't1', 't1', 't1', 't1', 'tn', 'tn', 'tn', 'tn', 'tn'],
    'QuantityMeasured': ['A', 'B', 'C', 'D', 'E', 'A', 'C', 'E', 'B', 'D'],
    'Value': [7, 2, 8, 9, 5, 5, 3, 4, 5, 1]
}
df = pd.DataFrame(data)

# 优化的Pandas转置方法:先过滤,再转置
agg_df = (
    df.query("QuantityMeasured in ['A', 'B', 'C', 'D']") # 过滤只保留所需类别
    .pivot(index='Time', columns='QuantityMeasured', values='Value')
)

# 提取所需列表
list_of_time = agg_df.index.tolist()
list_of_A = agg_df['A'].tolist()
list_of_B = agg_df['B'].tolist()
list_of_C = agg_df['C'].tolist()
list_of_D = agg_df['D'].tolist()

print("Time:", list_of_time)
print("A:", list_of_A)
print("B:", list_of_B)
print("C:", list_of_C)
print("D:", list_of_D)
登录后复制

注意事项:

  • query()方法允许我们使用类似SQL的表达式来过滤DataFrame,它通常比布尔索引更简洁。
  • pivot()函数需要指定index(新的行索引)、columns(新的列名)和values(填充单元格的值)。
  • 如果原始数据中某个Time下缺少某个QuantityMeasured,pivot结果中对应的单元格将为NaN。在转换为列表时,这些NaN值会保留,可能需要额外处理(例如,使用fillna())。

2. 使用 set_index 和 unstack

pivot函数在底层也使用了set_index和unstack。在某些特定情况下,直接使用这两个函数可能会提供略微的性能优势。

腾讯智影-AI数字人
腾讯智影-AI数字人

基于AI数字人能力,实现7*24小时AI数字人直播带货,低成本实现直播业务快速增增,全天智能在线直播

腾讯智影-AI数字人 73
查看详情 腾讯智影-AI数字人
# 使用 set_index 和 unstack 进行转置
agg_df_unstack = (
    df
    .query("QuantityMeasured in ['A', 'B', 'C', 'D']")
    .set_index(['Time', 'QuantityMeasured'])['Value']
    .unstack()
)

# 提取所需列表(与pivot方式相同)
list_of_time_unstack = agg_df_unstack.index.tolist()
list_of_A_unstack = agg_df_unstack['A'].tolist()
list_of_B_unstack = agg_df_unstack['B'].tolist()
list_of_C_unstack = agg_df_unstack['C'].tolist()
list_of_D_unstack = agg_df_unstack['D'].tolist()

print("\nUsing set_index and unstack:")
print("Time:", list_of_time_unstack)
print("A:", list_of_A_unstack)
print("B:", list_of_B_unstack)
print("C:", list_of_C_unstack)
print("D:", list_of_D_unstack)
登录后复制

性能考量: 尽管上述Pandas优化方法比简单的循环或未过滤的pivot更快,但在处理非常大的数据集时,Python层面的数据操作仍可能遇到性能瓶颈。期望将处理时间降低一个数量级(例如,从0.2秒到0.02秒)在Python中可能不切实际,因为数据加载、Pandas内部操作和内存分配都有其固有的开销。

利用SQL进行数据转置

实现大幅度性能提升的更有效方法是,将数据转置的逻辑直接推送到SQL数据库层面执行。数据库通常针对这类聚合和转置操作进行了高度优化,并且可以避免将大量原始长格式数据传输到Python,从而减少网络I/O和内存开销。

SQL查询示例

以下是一个使用SQL CASE语句和 GROUP BY 实现数据转置的示例查询:

SELECT
  Time,
  SUM(CASE WHEN QuantityMeasured = 'A' THEN Value ELSE 0 END) AS A,
  SUM(CASE WHEN QuantityMeasured = 'B' THEN Value ELSE 0 END) AS B,
  SUM(CASE WHEN QuantityMeasured = 'C' THEN Value ELSE 0 END) AS C,
  SUM(CASE WHEN QuantityMeasured = 'D' THEN Value ELSE 0 END) AS D
FROM your_table_name -- 替换为你的实际表名
WHERE QuantityMeasured IN ('A', 'B', 'C', 'D') -- 提前过滤,减少聚合数据量
GROUP BY Time
ORDER BY Time; -- 确保时间顺序一致
登录后复制

解释:

  • SUM(CASE WHEN QuantityMeasured = 'A' THEN Value ELSE 0 END) AS A: 对于每个Time组,如果QuantityMeasured是'A',则取其Value;否则取0。由于每个Time和QuantityMeasured组合在原始长格式数据中通常是唯一的,SUM函数在这里实际上起到了选择非零值的作用。如果存在多个相同Time和QuantityMeasured的记录,SUM会将它们加起来,这可能需要根据业务逻辑调整(例如使用MAX或AVG)。
  • GROUP BY Time: 按照Time列对数据进行分组,以便为每个时间戳计算出'A', 'B', 'C', 'D'的值。
  • WHERE QuantityMeasured IN ('A', 'B', 'C', 'D'): 这是一个关键的优化点,它在数据聚合之前就过滤掉了不需要的测量类型,大大减少了数据库需要处理的数据量。
  • ORDER BY Time: 确保结果按照时间顺序排列,这对于后续在Python中直接转换为列表非常有用。

在Python中执行SQL查询并提取数据

一旦SQL查询执行完毕,你将获得一个已经转置好的结果集。你可以直接将这个结果集读取到Pandas DataFrame,然后轻松地提取所需的列表。

# 假设你已经建立了SQL连接 `your_sql_connection`
# import sqlalchemy
# engine = sqlalchemy.create_engine("mysql+mysqlconnector://user:password@host/db")
# your_sql_connection = engine.connect()

# sql_query = """
# SELECT
#   Time,
#   SUM(CASE WHEN QuantityMeasured = 'A' THEN Value ELSE 0 END) AS A,
#   SUM(CASE WHEN QuantityMeasured = 'B' THEN Value ELSE 0 END) AS B,
#   SUM(CASE WHEN QuantityMeasured = 'C' THEN Value ELSE 0 END) AS C,
#   SUM(CASE WHEN QuantityMeasured = 'D' THEN Value ELSE 0 END) AS D
# FROM your_table_name
# WHERE QuantityMeasured IN ('A', 'B', 'C', 'D')
# GROUP BY Time
# ORDER BY Time;
# """

# agg_df_sql = pd.read_sql(sql_query, your_sql_connection)

# # 提取所需列表
# list_of_time_sql = agg_df_sql['Time'].tolist()
# list_of_A_sql = agg_df_sql['A'].tolist()
# list_of_B_sql = agg_df_sql['B'].tolist()
# list_of_C_sql = agg_df_sql['C'].tolist()
# list_of_D_sql = agg_df_sql['D'].tolist()

# print("\nFrom SQL-pivoted data:")
# print("Time:", list_of_time_sql)
# print("A:", list_of_A_sql)
# print("B:", list_of_B_sql)
# print("C:", list_of_C_sql)
# print("D:", list_of_D_sql)
登录后复制

优点:

  • 极致性能: 数据库服务器通常拥有更强大的计算资源和优化的查询引擎,能够以更快的速度处理大规模数据转置。
  • 减少数据传输: 只将已经转置好的少量数据传输到Python,而非大量的原始长格式数据,显著减少网络I/O。
  • 减轻Python端负担: 将计算密集型任务从Python应用程序中卸载,使其能够专注于后续的分析和业务逻辑。

总结与建议

在将SQL中的长格式数据重构为Python列表时,选择正确的方法至关重要:

  1. Pandas优化: 对于中小型数据集(例如几万到几十万行),或者当你需要更大的灵活性、数据量不大到足以造成显著性能问题时,Pandas的query结合pivot或set_index/unstack是一个不错的选择。通过预过滤不需要的类别,可以获得显著的性能提升。
  2. SQL端转置: 对于大型数据集,或者对性能有极高要求(例如需要将处理时间从0.2秒缩短到0.02秒)的场景,强烈建议将数据转置逻辑下推到SQL数据库层面执行。这种方法能够最大化利用数据库的优化能力,减少数据传输开销,从而实现最佳性能。

在实际应用中,你可以根据数据量、性能要求以及团队对SQL和Pandas的熟悉程度来选择最合适的策略。通常,对于性能敏感的生产环境,SQL端转置是更优的选择。

以上就是从SQL到Python:Pandas与SQL实现数据高效转置的策略的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号