1、MySQL和Pandas做分组聚合的对比说明
1）都是用来处理表格数据
不管是mysql，还是pandas，都是处理像excel那样的二维表格数据的。对于一个二维表，每一行都可以看作是一条记录，每一列都可以看作是字段。
2）分组聚合的风格不同
学过mysql的人都知道，mysql在做数据处理和统计分析的时候，有一个很大的痛点：语法顺序和执行顺序不一致，这就导致很多初学者很容易写错sql语句。
业界处理像excel那样的二维表格数据，通常有如下两种风格：
DSL风格：使用面向对象的方式来操作，pandas就是采用这种方式，通俗说就是“语法顺序和执行顺序一致”。
SQL风格：写sql语句来处理。
3）从代码角度，说明两者的不同
① mysql
语法顺序：
SELECT Column1, Column2, mean(Column3), sum(Column4) FROM SomeTable WHERE Condition 1 GROUP BY Column1, Column2 HAVING Condition2
逻辑执行顺序：
from...where...group...select...having...limit
② pandas
语法顺序和逻辑执行顺序：
df[Condition1].groupby([Column1,Column2],as_index=False).agg({Column3: "mean",Column4:"sum"})
③ 图示说明
首先from相当于取出MySQL中的一张表，对比pandas就是得到了一个df表对象。
然后就是执行where筛选，对比pandas就相当于写一个condition1过滤条件，做一个分组前的筛选筛选。
接着就是执行group分组条件，对比pandas就是写一个groupby条件进行分组。
再接着就是执行select条件，聚合函数就是写在select后面的，对比pandas就是执行agg()函数，在其中针对不同的列执行count、max、min、sum、mean聚合函数。
最后执行的是having表示分组后的筛选，在pandas中，通过上图可以发现我们得到了一个df1对象，针对这个df1对象，我们再做一次筛选，也表示分组后的筛选。
综上所述：只要你的逻辑想好了，在pandas中，由于语法顺序和逻辑执行顺序是一致的，你就按照逻辑顺序写下去，就很容易了。
4）用一个例子讲述MySQL和Pandas分组聚合
① 求不同deptno(部门)下，sal(工资)大于8000的部门、工资；
② mysqi中代码执行如下
select deptno,sum(sal) sums from emp group by deptno having sums > 9000;
结果如下：
③ pandas中代码执行如下
df = pd.read_excel(r"C:\Users\黄伟\Desktop\emp.xlsx") display(df) df = df.groupby("deptno",as_index=False).agg({"sal":"sum"}) display(df) df1 = df[df["sal"]>9000] display(df1)
结果如下：
