Python数据科学库与SQL

我正在从事一个需要存储大量数据的项目。我想知道在python中使用SQL和数据科学库有什么区别。如果我打算使用“数据科学”，我也打算使用其基于python的库中的SQL，或者使用csv文件来存储信息。我非常倾向于“数据科学”，因为我发现以下优势：

它在主观上对我来说很容易使用。我犯的错误要少得多

由于我在运行时的知识有限，我认为数据科学库将更加高效

最重要的是，它有许多内置函数，可以让我制作更简单的函数 然而，由于有这么多人在使用SQL，我想知道我是否遗漏了一些重要的东西，特别是在可伸缩性方面

网上有些人说SQL允许我们在数据库中存储文件，但我不认为这有什么区别。我可以简单地将文件存储在系统的文件夹中，并将链接保存在“数据科学”表中

该“数据科学图书馆”仅用于在学术入门课程中教授基本概念。除非你正在上这样一门课，否则你应该忽略它，学习更多的标准工具

如果它对您有所帮助，您可以从平面数据文件（如CSV和JSON）开始使用Pandas学习数据科学。最终，您绝对需要学习如何与SQL和NoSQL服务器交互。与平面文件相比，数据库的优点很多，在其他地方也有详细描述

这取决于您是想先学习Pandas，然后学习SQL，还是先学习SQL。现实世界中的许多人在Python/Pandas/Data Science之前都会学习SQL，因此您可能希望走这条路

如果你继续学习数据科学库，你会学到一些概念，但你必须“真正地”重新学习其中的一切。也许这对你的学习风格是最好的，也许不是。我们对你还不够了解。你是想要学术上的帮助，还是想用真实的方式做事

---

祝你好运，旅途愉快

你说的Python中的“数据科学库”是什么意思。。。SQL特别擅长于搜索、筛选、重新排序、分组、排名等。您还可以编制索引并获得高性能。好所有这些都是以实际学习SQL为代价的——这至少需要几个月的时间。但是，对于数据操作，最好使用Python库。作为一个简单的示例，请尝试在SQL中转置表：。正如您所看到的，在Python中使用Pandas变得非常简单，这变得不必要的复杂：

df.T

。但是，学习SQL很重要。例如，如果您想要处理大数据，那么您可以使用其他工具（如Hive）使用基于SQL的语言执行操作。如果您已经了解SQL语言，学习Hive会变得更简单。也可以使用Pyspark代替Python。因此，我认为您应该将SQL和Python库一起用于数据科学，例如Numpy、Pandas、Matplotlib、ScikitLearn等。这两个库都非常有用important@user322778表格不是转置，而是轴心。转置矩阵意味着重新排列其轴。可以将二维矩阵及其轴信息编码到一个表中，以便旋转该表可以转换矩阵，但这应该在直接的关系操作之后完成。矩阵与表格的选择取决于所做的操作（可能包括类型之间的转换）。