代码详解：用SQL GROUP BY语句，找出最强精灵宝可梦（代号精灵）

全文共3168字，预计学习时长6分钟

图片来源：Unsplash/Jay

本文所涉及代码均可在GitHub中获取：https://github.com/rmacaraeg

知道如何在SQL内完成基础操作后（如果不知道，请阅读“Python SQL基础简介”，传送门：https://medium.com/better-programming/a-gentle-introduction-to-sql-basics-in-python-b137651ed1ff），就可以开始使用SQL提供的更多其他工具了。

GROUP BY语句是SQL中一个很实用的工具。有了它，就可以对数据进行深入研究，并使用一些函数将相同数据进行分组。

如果一栏中不同的行具有相同的值，这些行就会被放到一个单独的分组中。

使用GROUP BY语句要注意以下重要的三点：

1. GROUP BY 是与SELECT语句一起使用的。

2. 查询时，GROUP BY位于WHERE语句之后。

3. 查询时，GROUP BY置于ORDER BY语句之前（如果使用到ORDER BY）。

在了解这些基本规则以后，就可以打开笔记本电脑进行实操了！

设置

以下例子将使用Kaggle数据集（https://www.kaggle.com/abcsds/pokemon）中Pokémon游戏的数据。

图片来源：unsplash.com/@melvina

尽管使用游戏数据是为了给SQL增加趣味性，这些例子同样也非常适用于更加商业化的决策，比如按照年龄段，收入水平，地理位置等给人群进行分组。

首先导入所需的库，并在python中加载CSV文件。

import pandas as pd import sqlite3 cnx = sqlite3.connect(':memory:') csvfile = ('/Users/randy/Documents/GitHub/Pokemon-Stat-Predictor/Pokemon.csv') #Original data columns = ['#','name','type1','type2','total','hp','attack','defense',\ 'sp_atk','sp_def','speed','generation','legendary'] #open the csv file df = pd.read_csv(csvfile, names=columns, header=0

接下来，先清理数据，然后将其导入SQLite数据库（https://www.sqlite.org/）：

#find NaN values nan_rows = df[df.isnull().T.any().T] nan_rows.head()

这一步将会找到所有空值并返回其中一部分（如果有的话）。

当所有空值都出现在type2一栏时，将所有空值都变成“none”。

#change all Type 2 NaN values to 'None': df['type2'] = df['type2'].fillna('none')

因为SQL对字符串很敏感（同一字符串大写与小写代表含义不同），所以要将所有字符都设置为小写形式。

#change all strings within the dataframe to lower case df = df.astype(str).apply(lambda x: x.str.lower())

然后将其设置为一个SQL数据库。

#set the database for pokemon df.to_sql('pokemon', con=cnx, if_exists='append', index=False)#function for the SQL queries below def sql_query(query): return pd.read_sql(query, cnx)

太棒了，接下来可以开始执行一些SQL语句！

GROUP BY的基本语法

GROUP BY函数的基本语法是：

SELECT column_name(s), function_name(column_name) FROM table_name WHERE condition GROUP BY column_name(s) ORDER BY column_name(s); function_name: SUM(), AVG(), MIN(), MAX(), COUNT(). table_name: name of the table. In this example, there is only the pokemon table condition: condition used.

有了它，就可以重新组织和操作数据，以得到更好的分析。

简单的GROUP BY语句

如果只想得到Pokémon中能力最高的那个精灵的名称，类别与总能力值，可以以一个简单的MAX()查询开始：

query = ''' SELECT name, type1, type2, MAX(total) FROM pokemon WHERE legendary = 'true'; ''' sql_query(query)

这个操作将输出超级Mewtwo X，一个同时具有精神与战斗属性，总能力值高达780的Pokémon。

但如果只想要了解type1种类下能力最强的Pokémon呢？GROUP BY语句在这时就展现出其用武之地了:

query = ''' SELECT name, type1, type2, MAX(total) FROM pokemon WHERE legendary = 'true' GROUP BY type1; ''' sql_query(query)

现在输出的就不只是一个Pokémon（超级Mewtwo X）了，而是14个传奇的小精灵。

SQL查询找到了所有传奇小Pokémon，并基于type1栏将它们分到了单独的组中。

Pokémon在被分到了暗系、龙系、电系、飞行系等不同的组后，SQL查询将返回每一个组中小Pokémon的名字、type1、type2与总能力值。

GROUP BY和HAVING语句

WHERE语句能给各栏加设条件，但如果想要给组加设条件呢？引入HAVING语句！

由于WHERE关键词不能用在聚合函数中，在此选用带有GROUP BY的HAVING语句。

可以用HAVING语句输入条件来决定哪一组将会成为最终结果的一部分。同样的， WHERE语句对聚合函数不起任何作用。所以如果想要加设条件，就要将HAVING语句用于聚合函数中。

HAVING语句的基本语法：

SELECT column_name(s) FROM table_name WHERE condition GROUP BY column_name(s) HAVING condition ORDER BY column_name(s);

带有HAVING语句的GROUP BY

图片来源：unsplash.com/@jeshoots

如果想知道所有Pokémon的数量、type1、最小和最大总能力值与所有type1分组下小Pokémon的平均HP，且只包含那些总HP值高于4000的Pokémon组：

query = ''' SELECT COUNT(name) as pokemon_count, type1, MIN(total), MAX(total), AVG(HP) FROM pokemon GROUP BY type1 HAVING SUM(HP) > 4000; ''' sql_query(query)

这有助于确定哪些小Pokémon组在其类别中具有最高的HP值，同时也能剔除事先设定好的HP小于4000的Pokémon组。

如果想从具有高HP值的小Pokémon里进行挑选，最好选择普通type1组，其中的小精灵具有最高平均HP值（77.28）且非常耐打。

HAVING语句真的有助于精简数据，并得出更有用更深刻的结果。