像SQL那样对SQLite表进行透视操作

Question

我有一些数据，里面有224,000行，存储在一个SQLite数据库里。我想从中提取时间序列信息，以便用来喂给一个数据可视化工具。简单来说，数据库中的每一行都是一个事件，包含一些信息，其中有一个时间戳（从1970年开始的秒数）和一个负责这个事件的名字。我想提取每个名字在数据库中每周发生的事件数量。

这其实挺简单的：

SELECT COUNT(*), 
       name, 
       strf("%W:%Y", time, "unixepoch") 
  FROM events 
 GROUP BY strf("%W:%Y", time, "unixepoch"), name 
 ORDER BY time

这样我们就得到了大约六千行的数据。

count          name        week:year  
23............ fudge.......23:2009  
etc...

但是我不想要每个名字每周都有一行数据，我想要每个名字一行，每周一列，像这样：

Name      23:2009       24:2009    25:2009  
fudge........23............6............19  
fish.........1.............0............12  
etc...

现在，这个监控过程已经运行了69周，独特的名字有502个。所以显然，我不想用硬编码的方式来处理所有的列，更不想处理所有的行。如果有办法可以遍历所有数据，比如用Python的executemany()，我也能接受，但我还是希望能有更好的解决方案。毕竟，SQL应该是基于集合的，这样做才更合理。

Answer 1

我建议你先执行你的查询。

SELECT COUNT(*), 
       name, 
       strf("%W:%Y", time, "unixepoch") 
  FROM events 
 GROUP BY strf("%W:%Y", time, "unixepoch"), name 
 ORDER BY time

然后再用Python进行后续处理。

这样你就不需要处理22.4万行数据，而只需要处理6千行。你可以很轻松地把这6千行数据存到内存里（用Python处理）。其实你也可以把22.4万行数据存到内存里，但那样会占用更多的内存。

不过：新的sqlite版本支持一个叫做group_concat的聚合函数。也许你可以用这个函数在SQL中进行数据透视？我不能试试，因为我用的是旧版本。

Answer 2

在这种情况下，一个好的做法是不要把SQL写得太复杂，这样会让人难以理解和维护。让SQL做它能方便地完成的事情，然后在Python中对查询结果进行后处理。

这里有一个我写的简单交叉表生成器的简化版。完整版本可以提供行、列和总计。

你会注意到它内置了“分组”功能——最初的用途是用Python和xlrd从Excel文件中汇总数据。

你提供的row_key和col_key不一定要像例子中那样是字符串；它们可以是元组——比如在你的情况下可以是(year, week)——或者可以是整数——例如，你有一个字符串列名到整数排序键的映射。

import sys

class CrossTab(object):

    def __init__(
        self,
        missing=0, # what to return for an empty cell. Alternatives: '', 0.0, None, 'NULL'
        ):
        self.missing = missing
        self.col_key_set = set()
        self.cell_dict = {}
        self.headings_OK = False

    def add_item(self, row_key, col_key, value):
        self.col_key_set.add(col_key)
        try:
            self.cell_dict[row_key][col_key] += value
        except KeyError:
            try:
                self.cell_dict[row_key][col_key] = value
            except KeyError:
                self.cell_dict[row_key] = {col_key: value}

    def _process_headings(self):
        if self.headings_OK:
            return
        self.row_headings = list(sorted(self.cell_dict.iterkeys()))
        self.col_headings = list(sorted(self.col_key_set))
        self.headings_OK = True

    def get_col_headings(self):
        self._process_headings()
        return self.col_headings

    def generate_row_info(self):
        self._process_headings()
        for row_key in self.row_headings:
            row_dict = self.cell_dict[row_key]
            row_vals = [row_dict.get(col_key, self.missing) for col_key in self.col_headings]
            yield row_key, row_vals

    def dump(self, f=None, header=None, footer='', ):
        if f is None:
            f = sys.stdout
        alist = self.__dict__.items()
        alist.sort()
        if header is not None:
            print >> f, header
        for attr, value in alist:
            print >> f, "%s: %r" % (attr, value)
        if footer is not None:
            print >> f, footer

if __name__ == "__main__":

    data = [
        ['Rob', 'Morn', 240],
        ['Rob', 'Aft',  300],
        ['Joe', 'Morn',  70],
        ['Joe', 'Aft',   80],
        ['Jill', 'Morn', 100],
        ['Jill', 'Aft',  150],
        ['Rob', 'Aft',   40],
        ['Rob', 'aft',    5],
        ['Dozy', 'Aft',   1],
        # Dozy doesn't show up till lunch-time
        ['Nemo', 'never', -1],
        ]
    NAME, TIME, AMOUNT = range(3)
    xlate_time = {'morn': "AM", "aft": "PM"}

    print
    ctab = CrossTab(missing=None, )
    # ctab.dump(header='=== after init ===')
    for s in data:
        ctab.add_item(
            row_key=s[NAME],
            col_key= xlate_time.get(s[TIME].lower(), "XXXX"),
            value=s[AMOUNT])
        # ctab.dump(header='=== after add_item ===')
    print ctab.get_col_headings()
    # ctab.dump(header='=== after get_col_headings ===')
    for x in ctab.generate_row_info():
        print x

输出：

['AM', 'PM', 'XXXX']
('Dozy', [None, 1, None])
('Jill', [100, 150, None])
('Joe', [70, 80, None])
('Nemo', [None, None, -1])
('Rob', [240, 345, None])