越来越多的分析师正在寻找使用Python处理数字和理解数据的新方法。

作者 | Lipei Wang

译者 | 苏本如，责编 | 郭芮

出品 | CSDN（ID：CSDNnews）

以下为译文：

Python，作为最流行的脚本语言之一，它也是数据分析和数据可视化的首选工具之一。除了范围庞大的Python开发人员社区之外，还有一个重要的团队使用Python来分析数据、提出可行的见解，并以此做出决策。

Python拥有数量众多的帮助库和平台，可以作为一个快速、可迭代的数据探索工具。Python的库集合包括从可视化到统计分析的所有内容，它可以帮助用户方便地进入数据中并开始识别模式。

除了能够在数据和统计分析中快速迭代外，Python还有很多用于管理数据管道和工作流的开源工具。越来越多的分析师正在寻找使用Python处理数字和理解数据的新方法。

Python有什么用？

Python和SQL一样：它能够解答任何问题。Python的社区很棒，它的采用率一直在上升。

有许多易于使用的Python库，可以方便快捷地进行数据探索。这使得迭代数据分析成为可能。有了Python，你才可以真正地探究你的好奇心把你带到的神秘的兔子洞的下方（意为可以追根究底，见爱丽思漫游奇境）。

最后，Python的实用性和灵活性允许它用于数据科学堆栈内的各种任务。例如，Luigi 和Airflow都允许在Python中管理数据管道和工作流。通过在Python中完成探索性分析，这些工作有时可以带入到生产环境中继续进行。

与Python相比，SQL最流行的用例是什么？

SQL是用来从数据库中查询和提取数据的。这是将数据转换为可用格式的必要的第一步。例如，SQL允许你轻松地连接多个数据集，以创建一个可以进一步研究的表。

SQL并不是专门为以某种方式操作或转换数据而设计的。数据科学中常见的高级数据操作（如统计分析、回归、趋势线和处理时间序列数据）在SQL中并不容易实现。

尽管存在这些限制，但是因为SQL是提取数据所必需的，因此它仍然经常被用于复杂的操作。下面的查询是用来计算数据中不同序列的分位数：

WITH details AS (
SELECT series,
       value,
       ROW_NUMBER() OVER (PARTITION BY series ORDER BY value) AS row_number,
       SUM(1) OVER (PARTITION BY series) AS total
  FROM dataset
),

quartiles AS (
SELECT series,
       value,
       AVG(CASE WHEN row_number >= (FLOOR(total/2.0)/2.0)
                 AND row_number <= (FLOOR(total/2.0)/2.0) + 1
                THEN value/1.0 ELSE NULL END
          ) OVER (PARTITION BY series) AS q1,
       AVG(CASE WHEN row_number >= (total/2.0)
                 AND row_number <= (total/2.0) + 1
                THEN value/1.0 ELSE NULL END
          ) OVER (PARTITION BY series) AS median,
       AVG(CASE WHEN row_number >= (CEIL(total/2.0) + (FLOOR(total/2.0)/2.0))
                 AND row_number <= (CEIL(total/2.0) + (FLOOR(total/2.0)/2.0) + 1)
                THEN value/1.0 ELSE NULL END
          ) OVER (PARTITION BY series) AS q3
  FROM details
)

SELECT series,
       MIN(CASE WHEN value >= q1 - ((q3-q1) * 1.5) THEN value ELSE NULL END) AS minimum,
       AVG(q1) AS q1,
       AVG(median) AS median,
       AVG(q3) AS q3,
       MAX(CASE WHEN value <= q3 + ((q3-q1) * 1.5) THEN value ELSE NULL END) AS maximum
  FROM quartiles
 GROUP BY 1

什么时候使用Python？

Python有大量的库（例如Pandas、StatsModel和SciPy），它们是为统计和数学分析而设计的。这些库在抽象细节方面也做得很好，这样就不需要手工计算所有底层的数学。此外，你可以立即获得结果，因此可以迭代使用Python来研究数据。

不需要说“我想做一个回归分析”，和坐下来花半个小时搞清楚什么地方开始SQL查询，Python库可以运行分析，查看结果。在Python中，灵感和行动之间没有太大的滞后。

例如，如果我真的知道需要显示数据集的分位数，我就会编写上面的查询。因为整个事情可以通过下面的一行Python代码来完成，所以我会在分析过程中更早地完成这项工作，并且可能会发现一些我并不想要的结果。

dataset.describe()

考虑Python和SQL之间区别的另一种方法是，Python允许你从一个大表开始，从这个大表开始，可以在不同的分支上进行不同的分析。一条灵感之路可以把你带到另一条路，分析的速度和灵活性使得许多探索路径变得容易。

SQL和Python各有其优缺点，将两种语言结合在一起，可以让分析人员在这两个世界中都得到最好的结果。

对于SQL分析师来说，学习Python需要什么？

与许多技能一样，学习如何使用Python进行分析的最佳方法是潜心研究一个感兴趣的、一直关注的、并且有点熟悉的问题。

当你在做你感兴趣的事情时，你往往会做得更加深入。这种好奇心可以推动你走得更远，而它是很多真正学习的源泉。

你还应该处理一些你熟悉的数据，这样你就知道你做错了什么。你会有更好的直觉知道发生了什么和期待什么。然而，当你处理的数据是你一无所知的东西时，比如说处理花瓣大小的数据（这是在许多Python示例中出现的非常流行的数据集）。如果你的分析结论是“所有这些花的花瓣大小都是两厘米长”，但是你不知道这是否合理，你可能只是假设它是对的，然后继续前进。

学习Python无疑可以增强数据分析师的技能。

分析师需要通过数据来传达业务价值。他们工作的一部分是设法从数据中找到对业务的深刻见解，更有效的工作还包括围绕着那些能够迫使你的队友采取行动的见解，包括正确的背景和表述。而且，由于在工作场所使用数据和分析来做出决策变得越来越重要，因此，分析师这种提供全面分析的角色比以往任何时候都更加重要。

原文：https://segment.com/blog/sql-vs-Python/

本文为 CSDN 翻译，转载请注明来源出处。