使用Python ORM进行交叉表（列联表）？

Question

任何在关系数据库中进行非常基础的数据统计分析的人，都需要计算交叉表，也叫做列联表（维基百科页面）。这些表格在你需要统计同时属于多个类别的项目时是必不可少的。比如：有多少顾客是女性并且喜欢巧克力？

Scipy 提供了一些方法来处理矩阵，使用的是一种叫做 histogram2d 的变体。但如果想进行有意义的统计分析，你需要一个包含变量名称的表格，这样你才能指定想要统计哪些变量。此外，这个方法还需要适用于其他类型的变量，而不仅仅是数字。实际上，数字统计是更复杂的，因为它需要将数据分组。R 自带一个叫做 table 的函数，这个函数可以很容易地移植到 Python 中。不过，我在标题中提到我想使用 ORM，为什么呢？因为交叉表的数据量通常比生成它所需的数据要小得多，你可以从数十亿条记录中计算出一个 2x2 的表格。我的意思是：在严肃的应用中，你不能把所有数据都加载到内存中并逐条处理。因此，你需要将表格设计转换成 SQL 查询，这样所有的统计工作就可以由数据库引擎来完成。而 ORM 则负责处理必要的 SQL 方言调整，这样你就可以在任何数据库后端上运行你的代码。

一个简单交叉表的 SQL 示例（使用 MySQL 方言）可以在 这里 找到。

现在我觉得我已经让你理解了这个问题，接下来是问题：这个功能在任何 Python ORM 中实现了吗？如果使用 SQLAlchemy 或 Django ORM，你会如何实现这个功能？

Answer 1

我不太喜欢自己回答自己的问题，但有时候我们真的等不及别人来帮忙。既然我找到了答案，而且这个答案还不错，我觉得有必要和大家分享一下。所以就来看看吧：

table = self.session.query(Table.var1, Table.var2, func.count(Table)).group_by(Table.var1, Table.var2).all()

这个代码会返回一个包含元组的列表，格式是（行，列，计数）。从这个列表中，你可以组装出你的列联表，并且如果需要的话，还可以计算边际总和。值得一提的是，计算这个表格花了0.28秒，而这个表格有296110条记录，var1和var2分别有5和90个级别。

接下来是一个小函数，用来组装和打印这个（二维）表格：

def pprint_table():
    colnames = list(set([i[1] for i in table]))
    rows = defaultdict(lambda:[0]*len(colnames))
    for r in table:
        rows[r[0]][colnames.index(r[1])] = r[2]
    print colnames, 'total'
    for rn, r in rows.items():
        print rn, r, sum(r)