对比Pandas轻松理解MySQL分组聚合的实现原理

作者简介：小小明，Pandas数据处理专家，致力于帮助无数数据从业者解决数据处理难题。

之前黄同学给我扔了一个问题：

其实MySQL分组统计的实现原理，与Pandas几乎是一致的，只要我们理解了Pandas分组统计的实现原理，就能理解MySQL分组统计的原理。大体过程就是：

今天我将带大家从mysql的执行顺序（FROM → WHERE → GROUP BY → HAVING → SELECT → ORDER BY → LIMIT）上，一步步通过Pandas向大家展示具体的执行过程，并借助Python基础编码，详解更细节的过程。

文章目录

MySQL实现分组统计的原理

其实上面给的示例代码等价于：

SELECT 
  deal_date,
  COUNT(IF(area= 'A区', order_id, NULL)) 'A区',
  COUNT(IF(area= 'B区', order_id, NULL)) 'B区',
  COUNT(IF(area= 'C区', order_id, NULL)) 'C区' 
FROM
  order_info 
GROUP BY deal_date;

结果：

对于mysql标准的执行顺序是：

FROM → WHERE → GROUP BY → HAVING → SELECT → ORDER BY → LIMIT

上面这个sql只涉及到FROM → GROUP BY → SELECT ，可以调整一下sql的阅读顺序：

FROM order_info 
GROUP BY deal_date
SELECT
  deal_date,
  COUNT(IF(area= 'A区', order_id, NULL)) 'A区',
  COUNT(IF(area= 'B区', order_id, NULL)) 'B区',
  COUNT(IF(area= 'C区', order_id, NULL)) 'C区';

FROM

首先FROM order_info表示读取order_info表的数据

GROUP BY

GROUP BY deal_date表示按照deal_date分组

SELECT

对每个分组选取指定的字段，并根据聚合函数对每个分组结果进行集合

其实MySQL的整个计算过程与Pandas相似，大体上都是下面的步骤：

使用Pandas演示MySQL实现分组统计的过程

下面我使用Pandas来演示上面的执行过程。

From

FROM order_info本质就是读取数据：

import pandas as pd

data = pd.read_csv("data.csv", encoding="gb18030")
data

结果：

	order_id	price	deal_date	area
0	S001	10	2019/1/1	A区
1	S002	20	2019/1/1	B区
2	S003	30	2019/1/1	C区
3	S004	40	2019/1/2	A区
4	S005	10	2019/1/2	B区
5	S006	20	2019/1/2	C区
6	S007	30	2019/1/3	A区
7	S008	40	2019/1/3	C区

对于Mysql的任何InnoDB引擎表来说都存在一个主键索引，在没有指定任何字段作为主键时，InnoDB表会生成一个6字节空间的自增主键row_id作为主键。上面的Pandas表的Index(data.index)就相当于mysql表的自增主键row_id。

当然这张MySQL表指定order_id为主键时：

ALTER TABLE order_info ADD PRIMARY KEY (order_id);

就相当于：

data.set_index("order_id")

结果：

GROUP BY

GROUP BY deal_date表示按照deal_date分组，即：

df_group = data.groupby("deal_date")
df_group

结果：

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000000016CE8278>

其实这步的本质是获取每个分组对应的主键id列表，可以通过DataFrameGroupBy对象的groups方法查看：

df_group.groups

结果：

{'2019/1/1': [0, 1, 2], '2019/1/2': [3, 4, 5], '2019/1/3': [6, 7]}

Pandas返回的是每个分组对应的索引列表，它等价于MySQL的主键id列表。

SELECT

我们拿到每个分组对应的索引列表后，就可以拿到每个分组对应的全部数据：

for deal_date, ids in df_group.groups.items():
    print(deal_date)
    display(data.loc[ids])

结果：

当然，由于Pandas本身有现成的API，我们实际并不会这样遍历每个分区，而是：

for deal_date, split in df_group:
    print(deal_date)
    display(split)

这段Pandas遍历每个分区的本质就是上面的代码，返回结果也与上面完全相同。

对于MySQL的select这步：

SELECT 
  deal_date,
  COUNT(IF(AREA= 'A区', 1, NULL)) 'A区',
  COUNT(IF(AREA= 'B区', 1, NULL)) 'B区',
  COUNT(IF(AREA= 'C区', 1, NULL)) 'C区'

由于前面分组的存在，count()聚合函数将作用于每一个分组，用Pandas表达就是：

for deal_date, split in df_group:
    split.loc[split.area == 'A区', 'A区'] = split.order_id
    split.loc[split.area == 'B区', 'B区'] = split.order_id
    split.loc[split.area == 'C区', 'C区'] = split.order_id
    split = split.set_index('deal_date')
    split = split[['A区', 'B区', 'C区']]
    display(split)
    display(split.count().to_frame(deal_date).T)

结果：

Return

最后MySQL计算完成后，就会合并每个分组的结果集，用Pandas表达就是：

result = []
for deal_date, split in df_group:
    split.loc[split.area == 'A区', 'A区'] = split.order_id
    split.loc[split.area == 'B区', 'B区'] = split.order_id
    split.loc[split.area == 'C区', 'C区'] = split.order_id
    split = split.set_index('deal_date')
    split = split[['A区', 'B区', 'C区']]
    result.append(split.count().to_frame(deal_date).T)
result = pd.concat(result)
result

结果：

	A区	B区	C区
2019/1/1	1	1	1
2019/1/2	1	1	1
2019/1/3	1	0	1

Pandas的分组聚合的执行过程

对于上面完整MySQL语句，整体执行流程等价于Pandas的：

def group_func(split):
    split.loc[split.area == 'A区', 'A区'] = split.order_id
    split.loc[split.area == 'B区', 'B区'] = split.order_id
    split.loc[split.area == 'C区', 'C区'] = split.order_id
    split = split[['A区', 'B区', 'C区']]
    return split.count()

data.groupby('deal_date', as_index=False).apply(group_func)

结果与上面一致，整体流程是：

Python演示MySQL和Pandas实现分组的具体原理

上面的演示中：

data.groupby("deal_date").groups

结果：

{'2019/1/1': [0, 1, 2], '2019/1/2': [3, 4, 5], '2019/1/3': [6, 7]}

可以看到Pandas和MySQL分组这步其实都是计算出了每个分组对应的主键id（索引id）。但它们具体又是怎么实现的呢？

这时候，我用纯python来给大家演示一下。

不管是MySQL还是Pandas，都带有主键索引，只不过Pandas的索引不会因为重复而报错，而MySQL的索引是肯定唯一的，会覆盖前面索引相同的数据。

虽然MySQL将带有索引的数据存储到了磁盘上面，但为了方便，我只在内存上演示索引构建的过程。另外MySQL主键索引的数据结构一般是B+树，这里我用hash表（字典）来简单演示。

首先，读取数据并构建索引：

import csv

data = {}
columns = None
with open("data.csv", encoding="gb18030") as f:
    f_csv = csv.reader(f)
    columns = next(f_csv)
    columns = dict(zip(columns, range(len(columns))))
    for i, row in enumerate(f_csv):
        data[i] = row
print(columns)
display(data)

结果：

{'order_id': 0, 'price': 1, 'deal_date': 2, 'area': 3}
{0: ['S001', '10', '2019/1/1', 'A区'],
 1: ['S002', '20', '2019/1/1', 'B区'],
 2: ['S003', '30', '2019/1/1', 'C区'],
 3: ['S004', '40', '2019/1/2', 'A区'],
 4: ['S005', '10', '2019/1/2', 'B区'],
 5: ['S006', '20', '2019/1/2', 'C区'],
 6: ['S007', '30', '2019/1/3', 'A区'],
 7: ['S008', '40', '2019/1/3', 'C区']}

这样我们就读取数据并构建了主键索引，以及表的列名元信息。

下面我们开始实现分组：

# 获取分组数据所在的列
group_num = columns['deal_date']
id_groups = {}
for index, row in data.items():
    group_key = row[group_num]
    ids = id_groups.setdefault(group_key, [])
    ids.append(index)
id_groups

结果：

{'2019/1/1': [0, 1, 2], '2019/1/2': [3, 4, 5], '2019/1/3': [6, 7]}

最后完成聚合计算：

result = {}
for deal_date, ids in id_groups.items():
    areas = result.setdefault(deal_date, [0, 0, 0])
    for index in ids:
        area = data[index][columns['area']]
        if area == 'A区':
            areas[0] += 1
        elif area == 'B区':
            areas[1] += 1
        elif area == 'C区':
            areas[2] += 1
result

结果：

{'2019/1/1': [1, 1, 1], '2019/1/2': [1, 1, 1], '2019/1/3': [1, 0, 1]}

借助Pandas展示一下最终结果：

pd.DataFrame.from_dict(result, 'index', columns=["A区", "B区", "C区"])

结果：

总结

今天我通过Pandas和Python向你详细演示了MySQL分组聚合的整体执行流程，相信你已经对分组聚合有了更深层次的理解。

如果你觉得本文对你有所启发，希望得到你的点赞关注和评论。

作者博客地址：https://blog.csdn.net/as604049322

Biegral Blog