本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

一間屋子10個人，可能其中5位數據科學家都表示需要結構化查詢語言(SQL)才能工作，另一半人則表示還有其他方法可以處理數據。

作為一名數據科學家，你使用什么方法?你還有其它方法嗎?數據科學家必須要會使用SQL嗎?本文將討論SQL在數據科學中的作用，以及結構化查詢語言(SQL)的替代方法。

[[355527]]

SQL

是否需要了解SQL具體取決于個人所屬公司和數據科學團隊。有些團隊有數位數據工程師和數據分析師以及機器學習工程師，而有些團隊則只有一位數據科學家。所以數據科學家是否需要了解SQL，你心中自有答案。

但是，討論一下是否需要了解SOL的原因，以及不需要SOL的時機是頗為有趣且十分重要，討論這個問題也有助于即將入職的數據科學家了解工作期望。以下是我使用SQL的原因：

• 使用SQL查詢表格以獲得有用的數據集
• 保持自主感(盡管也需要幫助)
• 在現有的SQL查詢中隨時發現和創建新功能

盡管數據科學可以看作是只專注于Python和R以及復雜機器學習算法的工作，但如果不充分利用SQL的優勢，一個團隊可能很難執行數據科學運算進程。不過，有時SQL并不是必需的，這取決于個人在數據科學領域的具體角色。

如果能從數據工程師或數據分析師那里獲得一些幫助，便可以參考其他替代方法。此外，當SQL查詢功能完全不符合專業時也不需要SQL，因為此時專注點在于數據科學模型開發，類似于在已獲取的數據上相互測試各種機器學習算法。

替代方法

從數據分析師或數據工程師處獲取數據集后，對數據集的下一步改進就是創建新功能要素，而不只是直接從數據表中獲取字段。例如，如果數據集中有10個字段，則可以開發幾個全新指標作為字段，而不是通過計算第1列和第2列來直接創建新的第11列。除了SQL以外，另一個比較容易進行此計算的工具是pandas。充分理由顯示，數據分析師和數據科學家已廣泛使用該庫。

使用pandas，能夠快速執行復雜計算，并且只需一行代碼。有時很難使用SQL計算數據，因為它在視覺上呈多行布局(僅為個人看法)。

以下是一些常用的pandas 數據框操作，旨在方便化數據集特征工程運算。

* groupby* items* loc* iloc* iteritems*keys* iterrows* query (this operation is quite similar to SQL quering, Ihighly recommend)* aggregate* corr* mean, median, min, and max* quantile*rank* sum* std* var* append* merge* join* sort_values* isnull* notna*between_time 

大量操作都可以應用到pandas 數據框架中。個人最喜歡的操作：

• 分組(Groupby)——對數據進行分組，并對所述組執行進一步的操作。
• 查詢(query)——一種類似SQL的查詢方式，但在個人的數據框架中。

[[355528]]

圖源：unsplash

個人認為，計算全新的字段或指標更容易，這些字段或指標最終將用于個人pandas數據科學模型。不過，有人偏愛只在SQL中執行計算。對我來說，使用SQL的好處是我不必一次性添加所有新特性(查詢時間過長)，這樣當我想添加一個新特性時，操作就非常簡單有效。

數據科學家需要了解SQL嗎?答案不是絕對的。這取決于公司、團隊，有時還取決于個人偏好。

使用SQL查詢，可以使用戶受益匪淺，所以如果你還不了解SQL，可以學習其使用方法。如果你偏愛類似pandas的替代方法，你可能是龐大數據科學團隊中的一員。

一些數據科學家同時使用SQL和Python來為模型創建最終的數據集。pandas最獨特的地方在于它有一個類似于SQL的查詢操作，用戶可以在pandas數據框中綜合使用SQL和Python。所以，想好你自己的解決方案了嗎?