内容摘要：笔者在工作中经常要使用SQL，其不乏存在恼人的细微差异和种种限制，但说到底，它是数据行业的基石。因此，对于每一位数据领域的工作者，SQL都是不可或缺的。精通SQL意义非凡。SQL是很不错，但怎么能仅满

 笔者在工作中经常要使用SQL，何利化其不乏存在恼人的自动细微差异和种种限制，但说到底，何利化它是自动数据行业的基石。因此，何利化对于每一位数据领域的自动工作者，SQL都是何利化不可或缺的。精通SQL意义非凡。自动

SQL是何利化很不错，但怎么能仅满足于“不错”呢?自动为什么不进一步操作SQL呢?

陈述性语句会诱发SQL限制的发生，就是何利化说，向SQL寻求数据，自动SQL会在特定数据库找寻并反馈。何利化对于许多数据提取或简单的自动数据操作任务来说，这已经足够了。何利化

但如果有更多需求怎么办?

本文将为你展示如何操作。

从基础开始

import pyodbc from datetime import datetime classSql:     def__init__(self,  database, server="XXVIR00012,55000"):         # here we are  telling python what to connect to (our SQL Server)         self.cnxn = pyodbc.connect("Driver={ SQL  Server Native Client 11.0};"                                    "Server="+server+";"                                    "Database="+database+";"                                    "Trusted_Connection=yes;")         # initialise  query attribute         self.query ="--  { }\n\n-- Made in Python".format(datetime.now()                                                           .strftime("%d/%m/%Y")) 

这个代码就是操作MS SQL服务器的基础。只要编写好这个代码，通过Python 连接到SQL 仅需:

sql = Sql(database123) 

很简单对么?同时发生了几件事，下面将对此代码进行剖析。class Sql:

首先要注意，这个代码包含在一个类中。云南idc服务商笔者发现这是合乎逻辑的，因为在此格式中，已经对此特定数据库进行了增添或移除进程。若见其工作过程，思路便能更加清晰。

初始化类:

def __init__(self, database,server="XXVIR00012,55000"): 

因为笔者和同事几乎总是连接到相同的服务器，所以笔者将这个通用浏览器的名称设为默认参数server。

在“Connect to Server”对话框或者MS SQL Server Management Studio的视窗顶端可以找到服务器的名称：

下一步，连接SQL:

self.cnxn =pyodbc.connect("Driver={ SQL Server Native Client 11.0};"                           "Server="+self.server+";"                           "Database="+self.database+";"                           "Trusted_Connection=yes;") 

pyodbc 模块，使得这一步骤异常简单。只需将连接字符串过渡到 pyodbc.connect(...) 函数即可，点击以了解详情here。

最后，笔者通常会在 Sql 类中编写一个查询字符串，sql类会随每个传递给类的查询而更新:

self.query = "-- { }\n\n--Made in Python".format(datetime.now()                                              .strftime("%d/%m/%Y")) 

这样便于记录代码，同时也使输出更为可读，让他人读起来更舒服。

请注意在下列的代码片段中，笔者将不再更新代码中的self.query 部分。

组块

一些重要函数非常有用，笔者几乎每天都会使用。这些函数都侧重于将数据从数据库中传入或传出。

以下图文件目录为始:

对于当前此项目，源码库需要:

将文件导入SQL 将其合并到单一表格内 根据列中类别灵活创建多个表格

SQL类不断被充实后，后续会容易很多:

import sys sys.path.insert(0, rC:\\User\medium\pysqlplus\lib) import os from data importSql sql =Sql(database123)  # initialise the Sql object directory =rC:\\User\medium\data\\  # this is where our generic data is  stored file_list = os.listdir(directory)  # get a list of all files for file in  file_list:  # loop to import  files to sql     df = pd.read_csv(directory+file)  # read file to dataframe     sql.push_dataframe(df, file[:-4]) # now we  convert our file_list names into the table names we have imported to SQL table_names = [x[:-4] for x in file_list] sql.union(table_names, generic_jan)  # union our files into one new table  called generic_jan sql.drop(table_names)  # drop our original tables as we now  have full table # get list of  categories in colX, eg [hr, finance, tech, c_suite] sets =list(sql.manual("SELECT  colX AS category FROM generic_jan GROUP BY colX", response=True)[category]) for category in sets:     sql.manual("SELECT *  INTO generic_jan_"+category+" FROM  generic_jan WHERE colX = "+category+"") 

从头开始。

入栈数据结构

defpush_dataframe(self, data,  table="raw_data", batchsize=500):     # create execution cursor     cursor = self.cnxn.cursor()     # activate fast execute     cursor.fast_executemany =True     # create create table statement     query ="CREATE  TABLE ["+ table +"] (\n"     # iterate through each column to be  included in create table statement     for i inrange(len(list(data))):         query +="\t[{ }]  varchar(255)".format(list(data)[i])  # add column (everything is varchar  for now)         # append correct  connection/end statement code         if i !=len(list(data))-1:             query +=",\n"         else:             query +="\n);"     cursor.execute(query)  # execute the create table statement     self.cnxn.commit()  # commit changes     # append query to our SQL code logger     self.query += ("\n\n--  create table\n"+ query)     # insert the data in batches     query = ("INSERT  INTO [{ }] ({ })\n".format(table,                                                [+], [  # get columns                                                .join(list(data)) +]) +              "VALUES\n(?{ })".format(",  ?"*(len(list(data))-1)))     # insert data into target table in  batches of batchsize     for i inrange(0, len(data), batchsize):         if i+batchsize >len(data):             batch = data[i: len(data)].values.tolist()         else:             batch = data[i: i+batchsize].values.tolist()         # execute batch  insert         cursor.executemany(query, batch)         # commit insert  to SQL Server         self.cnxn.commit() 

此函数包含在SQL类中，能轻松将Pandas dataframe插入SQL数据库。

其在需要上传大量文件时非常有用。然而，Python能将数据插入到SQL的真正原因在于其灵活性。

要横跨一打Excel工作簿才能在SQL中插入特定标签真的很糟心。但有Python在，小菜一碟。如今已经构建起了一个可以使用Python读取标签的函数，还能将标签插入到SQL中。

Manual(函数)

defmanual(self, query,  response=False):     cursor = self.cnxn.cursor()  # create execution cursor     if response:         returnread_sql(query,  self.cnxn)  # get sql query  output to dataframe     try:         cursor.execute(query)  # execute     except pyodbc.ProgrammingErroras error:         print("Warning:\n{ }".format(error))  # print error as a warning     self.cnxn.commit()  # commit query to SQL Server     return"Query  complete." 

此函数实际上应用在union 和 drop 函数中。仅能使处理SQL代码变得尽可能简单。

response参数能将查询输出解压到DataFrame。generic_jan 表中的colX ，可供摘录所有独特值，操作如下:

sets =list(sql.manual("SELECT colX AS category FROM generic_jan GROUP BYcolX", response=True)[category]) 

Union(函数)

构建 了manual 函数,创建 union 函数就简单了:

defunion(self,  table_list, name="union", join="UNION"):     # initialise the query     query ="SELECT *  INTO ["+name+"] FROM (\n"     # build the SQL query     query +=f\n{ join}\n.join(                         [fSELECT [{ x}].* FROM [{ x}]for x in table_list]                         )     query +=")  x"  # add end of  query     self.manual(query, fast=True)  # fast execute 

创建 union 函数只不过是在循环参考 table_list提出的表名，从而为给定的表名构建 UNION函数查询。然后用self.manual(query)处理。

Drop(函数)

上传大量表到SQL服务器是可行的。虽然可行，但会使数据库迅速过载。 为解决这一问题，云服务器提供商需要创建一个drop函数:

defdrop(self,  tables):     # check if single or list     ifisinstance(tables, str):         # if single  string, convert to single item in list for for-loop         tables = [tables]     for table in tables:         # check for  pre-existing table and delete if present         query = ("IF  OBJECT_ID (["+table+"], U)  IS NOT NULL "                  "DROP TABLE  ["+table+"]")         self.manual(query)  # execute 

view rawpysqlplus_drop_short.py hosted with ❤ by GitHub

点击

https://gist.github.com/jamescalam/b316c1714c30986fff58c22b00395cc0

得全图

同样，此函数也由于 manual 函数极为简单。操作者可选择输入字符到tables ，删除单个表，或者向tables提供一列表名，删除多个表。

当这些非常简单的函数结合在一起时，便可以利用Python的优势极大丰富SQL的功能。

笔者本人几乎天天使用此法，其简单且十分有效。

希望能够帮助其他用户找到将Python并入其SQL路径的方法，感谢阅读!