Lær AI med Python · leksjon

Integrasjon mellom Pandas og SQL

pd.read_sql(), df.to_sql(), SQLAlchemy-motoren og direkte innlasting av databasespørringer i DataFrames.

Leksjon 2 av 413 trinn

Integrasjon mellom Pandas og SQL er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 2 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

pandas møter SQL

Du trenger ikke velge mellom SQL og pandas — de fungerer godt sammen. Hent data fra en database inn i en DataFrame, transformer dem med pandas, og skriv resultatene tilbake.

Forbindelsen mellom dem er SQLAlchemy samt pandas-funksjonene read_sql og to_sql.

Hvorfor SQLAlchemy?

pandas kommuniserer med databaser gjennom en tilkobling eller en SQLAlchemy-engine. Engine-objektet skjuler forskjellene mellom databasetyper, slik at den samme koden fungerer for SQLite, PostgreSQL, MySQL og flere — du trenger bare å endre URL-en.

Opprette en engine

create_engine tar en tilkoblings-URL. URL-skjemaet identifiserer databasedriveren.

from sqlalchemy import create_engine

engine = create_engine("sqlite:///ml.db")
# Postgres: create_engine("postgresql://user:pass@host:5432/db")

Lese en tabell med pd.read_sql

pd.read_sql kjører en spørring eller leser en tabell og returnerer en DataFrame. Send inn en SQL-streng og engine-objektet.

import pandas as pd

df = pd.read_sql("SELECT * FROM experiments", engine)
print(df.head())

Lese med en filtrert spørring

La databasen utføre filtrering og aggregering, og send deretter et mindre resultat videre til pandas. Dette er langt mer effektivt enn å laste inn alt.

df = pd.read_sql(
    "SELECT name, accuracy FROM experiments WHERE accuracy > 0.85 ORDER BY accuracy DESC",
    engine,
)
print(df)

Parameteriserte spørringer

Send spørringsparametere trygt med argumentet params i stedet for å formatere strenger.

from sqlalchemy import text

df = pd.read_sql(
    text("SELECT * FROM experiments WHERE name = :n"),
    engine,
    params={"n": "xgb"},
)

Skrive en DataFrame med df.to_sql

df.to_sql(table, engine) skriver en DataFrame til en databasetabell og oppretter den ut fra DataFrame-ens datatyper ved behov.

df.to_sql("results", engine, index=False)

Parameteren index

Som standard skriver to_sql DataFrame-indeksen som en kolonne. Vanligvis ønsker du ikke dette — send inn index=False for å hoppe over den.

df.to_sql("results", engine, index=False)   # no extra index column

Parameteren if_exists

if_exists styrer hva som skjer når tabellen allerede finnes:

"fail" — utløser en feil (standard)
"replace" — sletter og oppretter tabellen på nytt
"append" — legger til rader i den eksisterende tabellen

df.to_sql("results", engine, if_exists="append", index=False)
# Use "replace" to overwrite, "fail" to be safe

En tur-retur-arbeidsflyt

En typisk pipeline: les rådata fra SQL, transformer dem i pandas, og skriv det rensede resultatet tilbake til en ny tabell.

import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("sqlite:///ml.db")
raw = pd.read_sql("SELECT * FROM experiments", engine)
raw["accuracy_pct"] = (raw["accuracy"] * 100).round(1)
raw.to_sql("experiments_clean", engine, if_exists="replace", index=False)

Lesing i biter for store tabeller

For tabeller som er for store til å få plass i minnet kan du sende inn chunksize til read_sql for å iterere over resultatet i grupper.

for chunk in pd.read_sql("SELECT * FROM big_table", engine, chunksize=10000):
    process(chunk)   # handle 10k rows at a time

Hurtigsjekk: Legge til rader

Du vil at to_sql skal legge til nye rader i en eksisterende tabell uten å slette den.

Besvar den i den interaktive leksjonen

Oppsummering: pandas og SQL

Du kan nå flytte data mellom pandas og databaser:

create_engine(url) for en databasenuavhengig tilkobling
pd.read_sql(query, engine) for å laste spørringsresultater inn i en DataFrame
df.to_sql(table, engine, index=False, if_exists=...) for å skrive data tilbake
Parameteriserte spørringer og chunksize for sikkerhet og skalerbarhet

Neste trinn: lagre og spørre etter resultater fra ML-eksperimenter.

Gratis å komme i gang

Lær deg Python med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs: 53
Leksjoner: 225

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Integrasjon mellom Pandas og SQL» gratis?

Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Integrasjon mellom Pandas og SQL», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Hva lærer jeg i «Integrasjon mellom Pandas og SQL»?

pd.read_sql(), df.to_sql(), SQLAlchemy-motoren og direkte innlasting av databasespørringer i DataFrames. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med Lær AI med Python?

Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.

Hvor lang tid tar leksjonen «Integrasjon mellom Pandas og SQL»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?

Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

← Tilbake til Lær AI med Python