PtyhonのPandasはSQLの操作と対応づけると理解しやすいので、
📘 1. 型の対応表
| 概念 | SQL | Pandas | 戻り値型 |
|---|---|---|---|
| テーブル全体 | table |
df |
pd.DataFrame |
| 単一列 | SELECT col FROM table |
df['col'] |
pd.Series |
| 複数列 | SELECT col1, col2 |
df[['col1', 'col2']] |
pd.DataFrame |
| 単一行 | SELECT * FROM table WHERE id=1 |
df.loc[1] or df.iloc[1]
|
pd.Series |
| セル | SELECT col WHERE id=1 |
df.loc[1, 'col'] |
スカラー（int等） |
🛠️ 2. 操作の対応表
🔹 基本操作
| SQL | Pandas | 備考 |
|---|---|---|
| WHERE句 | df[df['col'] > 100] |
条件抽出 |
| SELECT句 | df[['col1', 'col2']] |
列の選択 |
| ORDER BY | df.sort_values('col') |
昇順 / 降順（ascending=） |
| LIMIT | df.head(n) |
上位n件 |
🔹 集計とグループ化
| SQL | Pandas | 備考 |
|---|---|---|
| GROUP BY | df.groupby('col') |
.mean(), .sum()など適用 |
| GROUP BY 複数列 | df.groupby(['col1', 'col2']) |
|
| HAVING | .filter(lambda x: 条件) |
groupbyのあとで使う |
| COUNT(*) |
df['col'].count() or df.groupby(...).size()
|
|
| DISTINCT |
df['col'].unique() or df.drop_duplicates()
|
🔹 結合（JOIN）
| SQL | Pandas | 備考 |
|---|---|---|
| INNER JOIN | pd.merge(df1, df2, on='key') |
デフォルトinner |
| LEFT OUTER JOIN | pd.merge(df1, df2, on='key', how='left') |
|
| RIGHT OUTER JOIN | pd.merge(df1, df2, on='key', how='right') |
|
| FULL OUTER JOIN | pd.merge(df1, df2, on='key', how='outer') |
|
| JOIN 複数キー | pd.merge(df1, df2, on=['key1', 'key2']) |
🔹 サブクエリ的処理・列操作
| SQL | Pandas | 備考 |
|---|---|---|
| サブクエリ |
.query() or .apply()
|
高度な条件に使える |
| 新列追加 | df['new'] = ... |
列演算や定数で追加 |
| CASE WHEN | np.where(条件, 値1, 値2) |
条件に応じて値を変更 |
| 列の削除 | df.drop('col', axis=1) |
axis=1で列方向指定 |
| 列名変更 | df.rename(columns={'old': 'new'}) |
🔹 ウィンドウ関数（Window Functions）
| SQL | Pandas | 備考 |
|---|---|---|
ROW_NUMBER() OVER (...) |
df.sort_values(...).reset_index() |
連番は df.reset_index()など |
RANK(), DENSE_RANK()
|
df['rank'] = df['col'].rank(method='dense') |
method='min', 'dense', etc. |
MOVING AVG（移動平均） |
df['col'].rolling(window=3).mean() |
窓幅指定 |
CUMSUM, CUMAVG
|
df['col'].cumsum(), expanding().mean()
|
累積処理 |
| PARTITION BY + ORDER BY |
df.groupby('key')['col'].rolling(...)（やや複雑） |
GroupBy + Rollingの組み合わせ |
🔁 3. 型の流れ図（アクセスによる変化）
DataFrame（df）
├─ df[‘col’] → Series（1列）
├─ df[[‘col1’, ‘col2’]] → DataFrame（複数列）
├─ df.loc[3] → Series（1行）
├─ df.iloc[3, 2] → スカラー（セル1つ）
-
.loc[]：ラベル指定（index/列名） -
.iloc[]：番号指定（位置ベース） -
.at[],.iat[]：高速スカラーアクセス
⚠️ 4. よくある混乱と注意点
-
df['col']→ Series、df[['col']]→ DataFrame（1列でも型が異なる） -
groupby()は即集計しないと GroupBy オブジェクトになる -
.apply()の戻り値で列 or 行の形が大きく変わる（要注意） - 行抽出の条件式は Series 型になる →
df[条件]の形で使う -
query()は変数を使うとき@varのように書く必要あり
✅ おまけ：PandasでSQLライクに書くTips
df.query('price > 100 and volume ')
df.groupby('sector')['price'].mean()
df.assign(change = df['close'] - df['open'])
Views: 0
