如何使用Pandas实现MySQL窗口函数

今天小编给大家分享一下如何使用Pandas实现MySQL窗口函数的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。

一、前言

环境：
windows11 64位
Python3.9
MySQL8
pandas1.4.2

二、语法对比

数据表

本次使用的数据如下。
使用 Python 构建该数据集的语法如下：

import pandas as pd
import numpy as np

df1 = pd.DataFrame({ 'col1' : list(range(1,7))
                    ,'col2' : ['AA','AA','AA','BB','BB','BB']#list('AABCA')
                    ,'col3' : ['X',np.nan,'Da','Xi','Xa','xa']
                    ,'col4' : [10,5,3,5,2,None]
                    ,'col5' : [90,60,60,80,50,50]
                    ,'col6' : ['Abc','Abc','bbb','Cac','Abc','bbb']
                   })
df2 = pd.DataFrame({'col2':['AA','BB','CC'],'col7':[1,2,3],'col4':[5,6,7]})
df3 = pd.DataFrame({'col2':['AA','DD','CC'],'col8':[5,7,9],'col9':['abc,bcd,fgh','rst,xyy,ijk','nml,opq,wer']})

注：直接将代码放 jupyter 的 cell 跑即可。后文都直接使用

df1

、

df2

、

df3

调用对应的数据。

使用 MySQL 构建该数据集的语法如下：

with t1 as(
  select  1 as col1, 'AA' as col2, 'X' as col3, 10.0 as col4, 90 as col5, 'Abc' as col6 union all
  select  2 as col1, 'AA' as col2, null as col3, 5.0 as col4, 60 as col5, 'Abc' as col6 union all
  select  3 as col1, 'AA' as col2, 'Da' as col3, 3.0 as col4, 60 as col5, 'bbb' as col6 union all
  select  4 as col1, 'BB' as col2, 'Xi' as col3, 5.0 as col4, 80 as col5, 'Cac' as col6 union all
  select  5 as col1, 'BB' as col2, 'Xa' as col3, 2.0 as col4, 50 as col5, 'Abc' as col6 union all
  select  6 as col1, 'BB' as col2, 'xa' as col3, null as col4, 50 as col5, 'bbb' as col6 
)
,t2 as(
  select  'AA' as col2, 1 as col7, 5 as col4 union all
  select  'BB' as col2, 2 as col7, 6 as col4 union all
  select  'CC' as col2, 3 as col7, 7 as col4 
)
,t3 as(
  select  'AA' as col2, 5 as col8, 'abc,bcd,fgh' as col9 union all
  select  'DD' as col2, 7 as col8, 'rst,xyy,ijk' as col9 union all
  select  'CC' as col2, 9 as col8, 'nml,opq,wer' as col9 
)
select * from t1;

注：直接将代码放 MySQL 代码运行框跑即可。后文跑 SQL 代码时，默认带上数据集（代码的1~18行），仅展示查询语句，如第19行。

对应关系如下：

row_number()

row_number()

是对检索的数据计算行号，从1开始递增。一般涉及分组字段和排序字段，每一个分组里的行号都唯一。

MySQL 的

row_number()

函数在 Python 中可以使用

groupby()+rank()

实现类似的效果。

• 
  

  groupby()

  单列聚合时，直接将列名传递进去即可，如

  groupby('col2')

  ；如果是多列，则传一个列表，如

  groupby(['col2','col6'])

  。

  
  

• 
  

  rank()

  只能对一列进行排序，如

  df.col2.rank()

  ；当有多列排序的时候，可以使用

  sort_values(['col6','col5']

  先排好序，再聚合，然后使用累加函数

  cumcount()

  或排序函数

  rank()

  。

  
  

另外，需要注意一点，排序字段如果有重复值，在 MySQL 中会随机返回，而 Python 中会默认使用

index

列进一步排序。

具体例子如下：

1、单列分组，单列排序
当分组和排序都只有一列的时候，在 Python 中使用

groupby()

单列聚合加上

rank()

对单列进行排序即可。

2、多列分组，单列排序
当有多列分组，则传一个列表给

groupby()

函数。

3、单列分组，多列排序
如果是多列排序，相对复杂一些，如下【Python1】先用

sort_values()

排好序，然后再用

groupby()

聚合，然后使用

rank()

将排序序号加上；而【Python2】和【Python1】前2步相同，在最后一步使用了

cumcount()

实现编号。

3、多列分组，多列排序
多列分组和多列排序，直接在【3、单列分组，多列排序】的基础上，将多个分组字段添加到

groupby([])

中的列表即可。不再赘述。

lead()/lag()

lead()

是从当前行向后取列值，也可以理解为将指定的列向上移动；而

lag()

则相反，是从当前行向前取列值，也可以理解为将指定的列向下移动。

配合排序，二者可以进行互换，即：

• 正序的

  lead()

  ==倒序的

  lag()

  
  

• 倒序的

  lead()

  ==正序的

  lag()

  
  

在 Python 中，可以通过

shift()

函数实现列值的上下移动，当传入一个正数时，列值向下移动，当传入一个负数时，列值向上移动。

注：关于单列/多列分组和单列/多列排序的情况，参考

row_number()

，不再赘述。

1、移动1行
移动1行时，MySQL 中直接使用

lead(col1)

/

lag(col1)

即可，使用

lead(col1,1)

/

lag(col1,1)

也没问题，再结合升降序实现列值的上下移动。

在 Python 中，则使用

shift(-1)

或

shift(1)

实现相同的效果。以下例子是将

col1

下移，所以使用

shift(-1)

。

2、移动多行
移动多行的时候，MySQL 中需要指定移动行数，如下例子，移动2行，使用

lead(col1,2)

或

lag(col1,2)

，再结合升降序实现列值的上下移动。

在 Python 中，则修改传递给

shift()

函数的参数值即可，如下例子，使用

shift(2)

向上移动2行。

rank()/dense_rank()

rank()

和

dense_rank()

用于计算排名。

rank()

排名可能不连续，就是当有重复值的时候，会并列使用小的排名，而重复值之后的排名则按照重复个数叠加往后排，如一组数（10,20,20,30），按升序排列是（1,2,2,4）；而

dense_rank()

的排名是连续的，还是上面的例子，按升序排列是（1,2,2,3）。

而在 Python 中，排序同样是通过

rank()

函数实现，只是

method

和

row_number()

使用的不一样。实现

rank()

的效果，使

method='min'

，而实现

dense_rank()

的效果，使用

method='dense'

。除了这两种和在

row_number()

中使用的

method='first'

，还有

average

和

max

。

average

的逻辑是所有值进行不重复连续排序之后，将分组内的重复值的排名进行平均，还是上面的例子，按升序排列是（1,2.5,2.5,4），

max

和

min

相反，使用的是分组内重复值取大的排名进行排序，还是上面的例子，按升序排列是（1,3,3,4）。

同样地，排序字段如果有重复值，在 MySQL 中会随机返回，而 Python 中会默认使用

index

列进一步排序。

注：关于单列/多列分组和单列/多列排序的情况，参考

row_number()

，不再赘述。

1、rank()

Python 中使用

rank(method='min')

实现 MySQL 中的

rank()

窗口函数。

2、dense_rank()
Python 中使用

rank(method='dense')

实现 MySQL 中的

rank()

窗口函数。

first_value()

MySQL 中的窗口函数

first_value()

是取第一个值，可用于取数据默认顺序的第一个值，也可以通过排序，取某一列的最大值或最小值。

在 Pandas 中，也有相同功能的函数

first()

。

不过，

first_value()

是窗口函数，不会影响表单内的其他字段，但

first()

时一个普通函数，只返回表单中的第一个值对应的行，所以在 Python 中要实现

first_value()

窗口函数相同的结果，需要将

first()

函数返回的结果，再通过表联结关联回原表（具体例子如下）。在 Python 中，还有一个

last()

函数，和

first()

相反，结合排序，也可以实现相同效果，和

first()

可互换，读者可自行测试，不再赘述。

注：关于单列/多列分组和单列/多列排序的情况，参考

row_number()

，不再赘述。

1、取最大值

MySQL 中，对

col5

降序，便可通过

first_value()

取得最大值。同样，在 Python 中，使用

sort_values()

对

col5

进行降序，便可通过

first()

取得最大值，然后再

merge()

回原表。

2、取最小值
取最小值，则是在取最大值的基础上，改变

col5

的排序即可，由降序改为升序。

count()/sum()

MySQL 的聚合函数

count()

和

sum()

等，也可以加上

over()

实现窗口函数的效果。

• 
  

  count()

  可以用于求各个分组内的个数，也可以对分组内某个列的值进行累计。

  
  

• 
  

  sum()

  可以用于对各个分组内某个列的值求和，也可以对分组某个列的值进行累加。

  
  

在 Python 中，针对累计和累加的功能，可以使用

groupby()+cumcount()

和

groupby()+cumsum()

实现（如下例子1和2），而针对分组内的计数和求和，可以通过

groupby()+count()

和

groupby()+sum()

实现（如下例子3和4）。

注：关于单列/多列分组和单列/多列排序的情况，参考

row_number()

，不再赘述。

1、升序累计

Python 中使用

sort_values()+groupby()+cumcount()

实现 MySQL

count(<col_name>)over(partition by <col_name> order by <col_name>)

效果。

2、升序累加
Python 中使用

sort_values()+groupby()+cumsum()

实现 MySQL

sum(<col_name>)over(partition by <col_name> order by <col_name>)

效果。

3、分组计数
Python 中使用

sort_values()+groupby()+count()

实现 MySQL

count(<col_name>)over(partition by <col_name>)

效果。

4、分组求和
Python 中使用

sort_values()+groupby()+sum()

实现 MySQL

sum(<col_name>)over(partition by <col_name>)

效果。

三、小结

MySQL 的窗口函数效果，在 Python 中，基本都需要经过多个步骤，使用多个函数进行组合处理。窗口函数涉及到分组字段和排序字段，在 Python 中对应使用

groupby()

和

sort_values()

，所以基本上在 Python 中实现窗口函数的效果都需要使用到这两个函数辅助处理数据。剩下的聚合形式就根据聚合窗口函数的特性做修改，对应关系如下：