SQL、Pandas和Spark：常用数据查询操作对比-轻识

导读

当今信息时代，数据堪称是最宝贵的资源。沿承系列文章，本文对SQL、Pandas和Spark这3个常用的数据处理工具进行对比，主要围绕数据查询的主要操作展开。

本文首先介绍SQL查询操作的一般流程，对标SQL查询语句的各个关键字，重点针对Pandas和Spark进行介绍，主要包括10个常用算子操作。

01 SQL标准查询

谈到数据，必会提及数据库；而提及数据库，则一般指代关系型数据库（RMDB），操作关系型数据库的语言则是SQL（Structured Query Language）。SQL本质上仍然属于一种编程语言，并且有着相当悠久的历史，不过其语法特性却几乎没怎么变更过，从某种意义上讲这也体现了SQL语言的过人之处。

在最新TIOBE排行榜中，SQL位居第10位

一般而言，一句标准的SQL语句按照书写顺序通常含有如下关键词：

select：指定查询字段
distinct：对查询结果字段进行去重
from：明确查询的数据库和表
join on：指定查询数据源自多表连接及条件
where：设置查询结果过滤条件
group by：设置分组聚合统计的字段
having：依据聚合统计后的字段进一步过滤
order by：设置返回结果排序依据
limit：限定返回结果条数

这是一条SQL查询语句中所能涉及的主要关键字，经过解析器和优化器之后，最后的执行过程则又与之差别很大，执行顺序如下：

from：首先找到待查询的表
join on：如果目标数据表不止一个，则对多表建立连接关系
where：根据查询条件过滤数据记录
group by：对过滤结果进行分组聚合
having：对分组聚合结果进行二次过滤
select：对二次过滤结果抽取目标字段
distinct：根据条件进行去重处理
order by：对去重结果进行排序
limit：仅返回排序后的指定条数记录

曾经，个人一度好奇为何不将SQL语句的书写顺序调整为与执行顺序一致，那样更易于理解其中的一些技术原理，但查询资料未果后，就放弃了……

当然，本文的目的不是介绍SQL查询的执行原理或者优化技巧，而仅仅是对标SQL查询的几个关键字，重点讲解在Pandas和Spark中的实现。

02 Pandas和Spark实现SQL对应操作

以下按照SQL执行顺序讲解SQL各关键字在Pandas和Spark中的实现，其中Pandas是Python中的数据分析工具包，而Spark作为集Java、Scala、Python和R四种语言的通用分布式计算框架，本文默认以Scala语言进行讲述。

1）from。由于Python和Scala均为面向对象设计语言，所以Pandas和Spark中无需from，执行df.xxx操作的过程本身就蕴含着from的含义。

2）join on。join on在SQL多表查询中是很重要的一类操作，常用的连接方式有inner join、left join、right join、outer join以及cross join五种，在Pandas和Spark中也都有相应关键字。

Pandas：Pandas实现join操作有两个主要的API：merge和join。其中merge是Pandas的顶层接口（即可直接调用pd.merge方法），也是DataFrame的API，支持丰富的参数设置，主要介绍如下：

def merge(    left,  # 左表    right,  # 右表    how: str = "inner",  # 默认连接方式：inner    on=None,  # SQL中on连接一段，要求左表和右表中 公共字段    left_on=None,  # 设置左表连接字段    right_on=None,  # 设置右表连接字段    left_index: bool = False,  # 利用左表索引作为连接字段    right_index: bool = False,  # 利用右表索引作为连接字段    sort: bool = False,  # join结果排序    suffixes=("_x", "_y"),  # 非连接字段有重名时，可s何止后缀    copy: bool = True,     indicator: bool = False,    validate=None,) -> "DataFrame":

上述参数中，可以设置on连接条件的方式主要有3种：即若连接字段为两表共有字段，则可直接用on设置；否则可分别通过left_on和right_on设置；当一个表的连接字段是索引时，可设置left_index为True。

与merge操作类似，join可看做是merge的一个简化版本，默认以索引作为连接字段，且仅可通过DataFrame来调用，不是Pandas的顶级接口（即不存在pd.join方法）。

另外，concat也可通过设置axis=1参数实现横向两表的横向拼接，但更常用于纵向的union操作。

Spark：相较于Pandas中有多种实现两个DataFrame连接的方式，Spark中接口则要单一许多，仅有join一个关键字，但也实现了多种重载方法，主要有如下3种用法：

// 1、两个DataFrame有公共字段，且连接条件只有1个，直接传入连接列名df1.join(df2, "col")// 2、有多个字段，可通过Seq传入多个字段df1.join(df2, Seq("col1", "col2")// 3、两个DataFrame中连接字段不同名，此时需传入判断连接条件df1.join(df2, df1("col1")===df2("col2"))// 注意，上述连接条件中，等于用===，不等于用=!=

3）where。数据过滤在所有数据处理流程中都是重要的一环，在SQL中用关键字where实现，在Pandas和Spark中也有相应的接口。

Pandas。Pandas中实现数据过滤的方法有多种，个人常用的主要是如下3类：

通过loc定位操作符+逻辑判断条件实现筛选过滤。loc是用于数据读取的方法，由于其也支持传入逻辑判断条件，所以自然也可用于实现数据过滤，这也是日常使用中最为频繁一种；
通过query接口实现，提起query，首先可能想到的便是SQL中Q，实际上pandas中的query实现的正是对标SQL中的where语法，在实现链式筛选查询中非常好用，具体可参考Pandas用了一年，这3个函数是我的最爱……
where语句，Pandas以API丰富而著称，所以自然是不会放过where关键字的，不过遗憾的是Pandas中的where和Numpy中的where一样，都是用于对所有列的所有元素执行相同的逻辑判断，可定制性较差。

Spark。Spark中实现数据过滤的接口更为单一，有where和filter两个关键字，且二者的底层实现是一致的，所以实际上就只有一种用法。但在具体使用中，where也支持两种语法形式，一种是以字符串形式传入一个类SQL的条件表达式，类似于Pandas中query；另一种是显示的以各列对象执行逻辑判断，得到一组布尔结果，类似于Pandas中loc操作。

4）group by。group by关键字用于分组聚合，实际上包括了分组和聚合两个阶段，由于这一操作属于比较规范化的操作，所以Pandas和Spark中也都提供了同名关键字，不同的是group by之后所接的操作算子不尽相同。

Pandas：Pandas中groupby操作，后面可接多个关键字，常用的其实包括如下4类：

直接接聚合函数，如sum、mean等；
接agg函数，并传入多个聚合函数；
接transform，并传入聚合函数，但不聚合结果，即聚合前有N条记录，聚合后仍然有N条记录，类似SQL中窗口函数功能，具体参考Pandas中groupby的这些用法你都知道吗？
接apply，实现更为定制化的函数功能，参考Pandas中的这3个函数，没想到竟成了我数据处理的主力

Spark：Spark中的groupBy操作，常用的包括如下3类：

直接接聚合函数，如sum、avg等；
接agg函数，并传入多个聚合算子，与Pandas中类似；
接pivot函数，实现特定的数据透视表功能。

5）having。在SQL中，having用于实现对聚合统计后的结果进行过滤筛选，与where的核心区别在于过滤所用的条件是聚合前字段还是聚合后字段。而这在Pandas和Spark中并不存在这一区别，所以与where实现一致。

6）select。选择特定查询结果，详见Pandas vs Spark：获取指定列的N种方式。

7）distinct。distinct在SQL中用于对查询结果去重，在Pandas和Spark中，实现这一操作的函数均为drop_duplicates/dropDuplicates。

8）order by。order by用于根据指定字段排序，在Pandas和Spark中的实现分别如下：

Pandas：sort_index和sort_values，其中前者根据索引排序，后者根据传入的列名字段排序，可通过传入ascending参数控制是升序还是降序。

Spark：orderBy和sort，二者也是相同的底层实现，功能完全一致。也是通过传入的字段进行排序，可分别配合asc和desc两个函数实现升序和降序。

// 1、指定列+descdf.orderBy(df("col").desc)// 2、desc函数加指定列df.orderBy(desc("col"))

9）limit。limit关键字用于限制返回结果条数，这是一个功能相对单一的操作，二者的实现分别如下：

Pandas：可分别通过head关键字和iloc访问符来提取指定条数的结果；

Spark：直接内置了limit算子，用法更接近SQL中的limit关键字。

10）Union。SQL中还有另一个常用查询关键字Union，在Pandas和Spark中也有相应实现：

Pandas：concat和append，其中concat是Pandas 中顶层方法，可用于两个DataFrame纵向拼接，要求列名对齐，而append则相当于一个精简的concat实现，与Python中列表的append方法类似，用于在一个DataFrame尾部追加另一个DataFrame；

Spark：Spark中直接模仿SQL语法，分别提供了union和unionAll两个算子实现两个DataFrame的纵向拼接，且含义与SQL中完全类似。

03 小节

对标SQL标准查询语句中的常用关键字，重点对Pandas和Spark中相应操作进行了介绍，总体来看，两个计算框架均可实现SQL中的所有操作，但Pandas实现的接口更为丰富，传参更为灵活；而Spark则接口更为统一，但一般也支持多种形式的方法重载。另外，Spark中的算子命名与SQL更为贴近，语法习惯也与其极为相似，这对于具有扎实SQL基础的人快速学习Spark来说会更加容易。