在数据分析行业，对数据提出的每一个问题都可以用多种潜在的语言和工具包来回答。每种语言都有其优势，它们之间也存在着不同的区别。不能否认的是，有些操作用Python执行起来要比SQL更加高效。这篇文章分享了4个能够节省时间的案例，在这几个案例中，Python在探索和分析数据集方面远远优于SQL。

描述性统计

假设你正在探索新的数据集，可以使用许多不同的方法来统计描述这些数据，并得到总体感知。例如：

· 计数

· 平均值

· 标准偏差

· 最小值

· 第一四分位数

· 第二四分位数(中位数)

· 第三四分位数

· 最大值

要想在SQL中得到以上信息，你需要输入：

但也许你并不想输入以上所有代码。你可以使用pandas的DataFrame.describe()函数来得出基础数据集的基本描述性统计信息。

datasets['Python Input'].describe().round(1)

查看此报告并仿照该报告自行探索描述性统计。

移动平均值

假设你现在想计算移动平均值，以便于在输入不断变化的情况下得到其明确的平均值。移动平均值有助于消除数据骤降和峰值的影响，从而使长期趋势更加显而易见。

在SQL中，你可以输入这样的查询（query）：

在Python中，只需以下代码便可快速得到相同的两周移动平均值：

另外，Python能够进一步实现可视化。

枢轴

要想重新排列数据与枢轴以绘制图表或是演示文稿格式，在SQL中需要几个步骤才能实现。在这个案例中，需要将Mode Public Warehouse中大学橄榄球运动员的数据集从行枢轴转换到列枢轴。

首先，要汇总每年、每场比赛的运动员的信息来准备数据。

转换数据之后，需要将查询（query）嵌入子查询（subquery）中。

接下来，如果你想将结果按照年份分成几列，可以用SELECT语句为每个项单独创建列。

虽然这能使你很好地控制查询和进程，但是用Python操作实则要更加轻松。当你从年份和比赛中SELECT大学橄榄球运动员后，可以跳转到Notebook并运行DataFrame.pivot。你能根据列值重塑数据，因而可以重新排列结果集。

DataFrame.pivot

自连接

在很多情况下，你可能想要将一个表与其自身连接起来。要想创建自连接（self join），需要先输入此查询，以便为同一张表创建不同的引用名称。

在pandas中，我们可以这样实现：

想自己尝试建立自连接吗？仿照这篇报告来撰写你的个人Mode报告吧！