Телеграм канал «Постоянный репозиторий по Python»

Как работать с SQL-подобным синтаксисом в Python Иногда при анализе данных на Python хочется писать запросы в привычном SQL-синтаксисе — фильтровать, группировать и соединять таблицы так, как это делается в СУБД. К счастью, делать это можно и без отдельного сервера баз данных — прямо в памяти, используя специальные библиотеки. 1. pandasql: SQL поверх DataFrame Одна из самых простых библиотек — pandasql. Она позволяет выполнять SQL-запросы к объектам pandas.DataFrame с помощью функции sqldf. import pandas as pd import pandasql as ps df = pd.DataFrame({ "city": ["Moscow", "Kazan", "Omsk", "Moscow"], "population": [12.6, 1.2, 1.1, 12.6] }) query = """ SELECT city, COUNT(*) as count FROM df GROUP BY city """ result = ps.sqldf(query, locals()) print(result) Здесь запрос обрабатывается встроенным SQLite-интерпретатором, а df воспринимается как таблица. Для простых задач анализа данных это отличный вариант. 2. DuckDB: аналитические запросы без внешней СУБД Если хочется больше возможностей — стоит обратить внимание на DuckDB. Это встроенная аналитическая база данных, оптимизированная для колонночного хранения и обработки больших объёмов данных. import duckdb import pandas as pd df = pd.read_csv("data.csv") result = duckdb.query(""" SELECT category, AVG(price) AS avg_price FROM df WHERE price > 1000 GROUP BY category ORDER BY avg_price DESC """).to_df() DuckDB прекрасно работает с DataFrame, Parquet и CSV-файлами, не требуя отдельной установки сервера. Его часто называют “SQLite для аналитики”. 3. polars + lazy: выражения в духе SQL, но на Rust-скорости Библиотека polars предлагает декларативный стиль, похожий на SQL, но с нативной производительностью (написана на Rust). SQL-запросы можно выполнять через scan_csv() или df.sql(): import polars as pl df = pl.DataFrame({ "city": ["Moscow", "Kazan", "Omsk"], "population": [12.6, 1.2, 1.1] }) result = df.sql("SELECT city, population * 1000 AS pop_thousands FROM self") print(result) При этом polars позволяет использовать lazy evaluation — запросы строятся как план, а вычисляются только при необходимости, что ускоряет обработку больших данных. Когда использовать SQL в Python - Когда вы привыкли к SQL и хотите быстро фильтровать и агрегировать данные без изучения API pandas. - При прототипировании аналитических запросов до переноса в СУБД. - Для обработки данных в ноутбуках или при анализе CSV/Parquet-файлов локально. SQL-подобный синтаксис делает Python ещё удобнее для аналитиков и исследователей данных. Вы можете совмещать лаконичность SQL с мощью Python — и не тратить время на ручную трансформацию таблиц.