Pandas Read SQL

Python contient la bibliothèque «Pandas» pour analyser et manipuler les données. «SQL» est utilisé pour la communication avec la base de données. Nous pouvons également lire le «langage de requête structuré» dans «Pandas». Dans SQL, les données sont enregistrées pour une utilisation à long terme sous forme de tables. Nous pouvons facilement créer les tables SQL et ajouter des données à ces tables. Nous pouvons également lire ou accéder aux données de la base de données SQL dans «Pandas». Nous appliquerons différentes façons de lire les données SQL dans «Pandas» dans ce guide. Ce guide concerne la «lecture SQL» dans «Pandas». Nous utiliserons les méthodes «Pandas» pour lire le tableau SQL et représenter les données de la table SQL sous forme de DataFrame dans «Pandas» dans ce guide.

Méthodes «pandas» pour lire le SQL

Nous avons trois techniques pour lire les données du SQL dans «Pandas."Ici, nous couvrirons les trois approches de ce guide. Ces méthodes sont:

• Méthode read_sql ()
• Méthode read_sql_query ()
• Méthode read_sql_table ()

Maintenant, nous utilisons ces méthodes dans «Pandas» pour lire les données de la table SQL dans ce guide. Les exemples sont également ajoutés dans la suivante où nous utiliserons ces méthodes.

Exemple 1:

Nous créons la base de données SQL et expliquons les méthodes sur la façon dont nous la créons. Nous importons le «SQLite3» ici pour accéder aux modules du «SQLite3». Ensuite, nous créons la variable «My_Conn» et la connectons à la base de données à l'aide de «connect ()». Le nom de la base de données que nous avons créé est «Writers_Database». Nous plaçons le «sqlite3» avec le «connect ()» car c'est la méthode du «sqlite3» auquel nous avons accédé ici.

Après cela, nous plaçons la méthode «cursor ()» avec le nom de variable que nous avons créé et l'enregistrer dans la variable «my_c». Après cela, nous créons le tableau «Writers» où le «écrivain_id» est défini comme la «clé primaire» et est le type de données des entiers. Ensuite, nous ajoutons le "écrivain_name et écrivain_type". Les deux sont le type de données «texte». Nous ajoutons également le «Working_days and Pay» du type de données «entier». Après cela, nous insérons les données dans la colonne de table «Writers».

Nous ajoutons les noms des colonnes que nous avons créées précédemment. Ensuite, nous plaçons les «valeurs» où nous entrons les valeurs. Nous entrons «1, Stephen, écrivain technique, 4, 80000» qui est le premier enregistrement de ce tableau «Writers». Ensuite, nous ajoutons «2, Peter, écrivain universitaire, 5, 70000» comme deuxième enregistrement de la table SQL. Nous ajoutons également «3, William, écrivain de blogs, 6, 30000» et «4, David, écrivain technique, 6, 450000» comme troisième et quatrième disques. Ensuite, nous ajoutons également «5, Charlie, écrivain d'articles, 5, 150000» comme cinquième record. Après cela, nous utilisons le «commit ()». Maintenant, la base de données «Writers» est créée. Nous utilisons les méthodes «pandas» pour lire ces données SQL.

Nous importons le «SQLite3» dans ce nouveau fichier pour accéder à ses modules et fonctions dans ce code. Nous importons également les modules «pandas» ici. Maintenant, nous pouvons facilement utiliser les méthodes ou les fonctions de «Sqlite3» et «Pandas». Nous ajoutons la variable "my_conn" et initialisons cette "My_Conn" avec la méthode "SQLite3" qui est "Connect ()". Nous le connectons aux «écrivains_database» que nous avons précédemment créés. Après cela, nous utilisons le «PD.Méthode read_sql () ”Pour lire les données du fichier SQL. Nous plaçons «PD» car c'est la méthode des «pandas». Nous y ajoutons la requête qui est la «sélection * des écrivains» qui sélectionne toutes les données de la table «Writers» et stocke les données de la variable SQL dans la variable «SQL_Query».

Nous plaçons également la variable «my_conn» dans cette fonction qui aide à se connecter avec la base de données «Writers». Ensuite, nous convertissons les données en la dataframe suivante en utilisant le «PD.Méthode DataFrame () ». Nous passons la variable «SQL_Query» où les données du SQL sont stockées. Nous insérons également les noms de colonne. Nous ajoutons les mêmes noms de colonne que nous avons écrits dans la base de données SQL.

Ensuite, nous utilisons le «print ()» et passons le «SQL_DF» afin que les données des impressions SQL sous forme de DataFrame lorsque nous exécutons ce programme.

Appuyez sur l'icône «Run» et obtenez le résultat du code. Toutes les données de la base de données «Writers» s'affiche ici comme le DataFrame.

Exemple 2:

Dans cet exemple, nous lisons les données du SQL en utilisant le «PD.Méthode read_sql_query () ". Nous ajoutons la même requête que nous avons ajoutée précédemment pour obtenir toutes les données du SQL. Nous modifions la méthode de ce code pour lire les données du SQL. Nous modifions également les données du SQL dans le DataFrame à l'aide de la méthode «Pandas», puis les imprimez ici.

Vous pouvez noter la même sortie ici. Le résultat que nous obtenons après avoir appliqué les deux méthodes donne le même résultat ici.

Exemple 3:

Maintenant, nous appliquons la méthode "read_sql_table ()". Nous n'avons pas besoin d'ajouter la requête dans cette méthode. Nous ne faisons que la méthode "read_sql ()". Dans cette méthode, nous ajoutons simplement le nom de la table SQL pour extraire les données du SQL. Ensuite, nous convertissons ces données SQL dans le DataFrame à l'aide de «PD.Dataframe "et ajoutez le" SQL_Query "comme premier paramètre. De plus, nous ajoutons les noms des colonnes dans des «noms». Ensuite, nous rendons le DataFrame qui est stocké dans la variable «Data» en ajoutant cette variable dans «print ()» dans les suivantes:

Lorsque ce code est exécuté, la sortie identique est visible. Ici, le résultat de l'utilisation des trois approches donne le même résultat. Ici, nous obtenons l'intégralité de DataFrame au fur et à mesure que nous y accessions dans les codes précédents.

Exemple 4:

Nous pouvons également appliquer certaines conditions lors de l'accès aux données du SQL. Nous montrerons comment nous obtenons les données souhaitées du SQL et les imprimerons. Ici, nous ne rendons pas les données de la table SQL entière. Nous utilisons ici la méthode «read_sql_query ()» où nous plaçons le «sélection * parmi les écrivains» et ajoutons une condition qui est «Pay = 70000». Il n'accédera qu'à ces colonnes où le salaire des écrivains est «70000» et n'obtient pas l'intégralité de la table SQL. Cela accède à ces lignes où nous ajoutons «70000» dans la colonne «Pay» de la table SQL. Nous convertissons également ces lignes en dataframe et les rendons sur la sortie.

Nous n'obtenons qu'une seule ligne ici car une seule ligne de DataFrame contient «70000» dans la colonne «Pay». Il n'accéde que cette ligne et l'affiche sur le terminal. Il n'a pas affiché l'intégralité de la table SQL car nous avons ajouté la condition dans la requête du SQL.

Conclusion

Nous avons appris le tableau SQL dans «Pandas» dans ce guide. Nous avons discuté de la façon de créer la table de base de données SQL et comment lire ce tableau SQL dans "Pandas". Nous avons expliqué que les «pandas» ont trois méthodes qui nous aident à lire le tableau SQL. Nous avons exploré toutes les approches qui aident à lire le SQL dans "Pandas". Nous avons illustré les codes dans lesquels nous lisons le SQL dans "Pandas". Nous avons également montré les résultats de ces codes. Nous avons expliqué comment nous obtenons les données sélectionnées de la table SQL. Nous avons rendu les données SQL sous la forme de Dataframe de «Pandas» dans ce guide et l'avons expliqué en détail.