Python 58_ pandas4_ Database

-- 사용자 계정이 소유한 테이블에 대한 정보를 갖고 있는 테이블: user_tables

desc user_tables;

select * from user_tables;

select table_name from user_tables;

-- 사용자 계정이 소유한 테이블의 컬럼들에 대한 정보를 갖고 있는 테이블: user_tab_columns

desc user_tab_columns;

select * from user_tab_columns;

-- emp 테이블이 가지고 있는 컬럼이름들을 검색

select column_name from user_tab_columns

where table_name = 'EMP'

order by column_id;

import cx_Oracle

import pandas as pd

if __name__ == '__main__':

     # 오라클 DB 서버에 접속

     dsn = cx_Oracle.makedsn('localhost', 1521, 'orcl')

     with cx_Oracle.connect('scott', 'tiger', dsn) as connection:

          # Cursor 객체 생성

          with connection.cursor() as cursor:

               print(get_column_names_of('emp', cursor)) # ['empno', 'ename', 'job']

               # connection.commit()

def get_column_names_of(table, cursor_):

     sql1 = """select column_name from user_tab_columns

     where table_name = :table_name

     order by column_id"""

     # sql2 = 'select * from :table_name'

     cursor_.execute(sql1, table_name=table.upper()) # 끝에 세미콜론(;) 을 붙이면 안됨

     # cursor_.execute(f'select * from {table}')

     req_table = cursor.fetchall()

     return req_table

[('EMPNO',), ('ENAME',), ('JOB',), ('MGR',), ('HIREDATE',), ('SAL',), ('COMM',), ('DEPTNO',)]

     with connection.cursor() as cursor:

          emp_df = select_all_from('emp', cursor)

          connection.commit()

          print(emp_df)

def select_all_from(table, cursor_):

     # print(table.upper())

     sql1 = f"select * from {table.upper()}" 

     # from 뒤의 컬럼명에는 '' 콜론이 오면 안되므로 데이터 바인딩을 사용할 수 없고, 

       formatted string을 사용해야 한다

     cursor_.execute(sql1)

     req_table = cursor.fetchall()

     return pd.DataFrame(req_table)

       0       1          2       3          4       5       6   7

0   7369   SMITH      CLERK  7902.0 1980-12-17   800.0     NaN  20

1   7499   ALLEN   SALESMAN  7698.0 1981-02-20  1600.0   300.0  30

2   7521    WARD   SALESMAN  7698.0 1981-02-22  1250.0   500.0  30

3   7566   JONES    MANAGER  7839.0 1981-04-02  2975.0     NaN  20

4   7654  MARTIN   SALESMAN  7698.0 1981-09-28  1250.0  1400.0  30

5   7698   BLAKE    MANAGER  7839.0 1981-05-01  2850.0     NaN  30

6   7782   CLARK    MANAGER  7839.0 1981-06-09  2450.0     NaN  10

7   7788   SCOTT    ANALYST  7566.0 1987-04-19  3000.0     NaN  20

8   7839    KING  PRESIDENT     NaN 1981-11-17  5000.0     NaN  10

9   7844  TURNER   SALESMAN  7698.0 1981-09-08  1500.0     0.0  30

10  7876   ADAMS      CLERK  7788.0 1987-05-23  1100.0     NaN  20

11  7900   JAMES      CLERK  7698.0 1981-12-03   950.0     NaN  30

12  7902    FORD    ANALYST  7566.0 1981-12-03  3000.0     NaN  20

13  7934  MILLER      CLERK  7782.0 1982-01-23  1300.0     NaN  10

     # 선택된 sal 값이 salgrade_df 어느 grade에 속하는 지를 찾음

     # -> salgrade_df의 행 개수만큼 반복하면서 LO, HI와 비교

     # -> DataFrame.iterrows() 함수 이용

     for x in salgrade_df.iterrows():

          print(x)

# -> DataFrame.iterrows() 함수: 데이터 프레임의 (행 이름, 행)을 반복문 안에서 리턴해준다.

     for a,b in salgrade_df.iterrows():

          print(a)

0

1

2

3

4

     for a,b in salgrade_df.iterrows():

          print(b)

GRADE       1

LOSAL     700

HISAL    1200

Name: 0, dtype: int64

GRADE       2

LOSAL    1201

HISAL    1400

Name: 1, dtype: int64

GRADE       3

LOSAL    1401

HISAL    2000

Name: 2, dtype: int64

GRADE       4

LOSAL    2001

HISAL    3000

Name: 3, dtype: int64

GRADE       5

LOSAL    3001

HISAL    9999

Name: 4, dtype: int64

for name, row in salgrade_df.iterrows():

    if row['LOSAL'] <= sal <= row['HISAL']:

    # 급여 등급을 찾은 경우, list에 추가

        sal_grade.append(row['GRADE'])

        break # salgrade_df 반복을 중지

print(sal_grade)

[1, 3, 2, 4, 2, 4, 4, 4, 5, 3, 1, 1, 4, 2]

emp_df['SALGRADE'] = sal_grade

print(emp_df)

EMPNO   ENAME        JOB     MGR  ...     SAL    COMM  DEPTNO  SALGRADE

0    7369   SMITH      CLERK  7902.0  ...   800.0     NaN      20         1

1    7499   ALLEN   SALESMAN  7698.0  ...  1600.0   300.0      30         3

2    7521    WARD   SALESMAN  7698.0  ...  1250.0   500.0      30         2

3    7566   JONES    MANAGER  7839.0  ...  2975.0     NaN      20         4

4    7654  MARTIN   SALESMAN  7698.0  ...  1250.0  1400.0      30         2

5    7698   BLAKE    MANAGER  7839.0  ...  2850.0     NaN      30         4

6    7782   CLARK    MANAGER  7839.0  ...  2450.0     NaN      10         4

7    7788   SCOTT    ANALYST  7566.0  ...  3000.0     NaN      20         4

8    7839    KING  PRESIDENT     NaN  ...  5000.0     NaN      10         5

9    7844  TURNER   SALESMAN  7698.0  ...  1500.0     0.0      30         3

10   7876   ADAMS      CLERK  7788.0  ...  1100.0     NaN      20         1

11   7900   JAMES      CLERK  7698.0  ...   950.0     NaN      30         1

12   7902    FORD    ANALYST  7566.0  ...  3000.0     NaN      20         4

13   7934  MILLER      CLERK  7782.0  ...  1300.0     NaN      10         2

# pandas.merge(left, right, how, on, left_on, right_on, ...)

# left, right: 조인할 데이터 프레임

# how: 조인 방식(inner, left, right)

# on: 조인할 때 기준이 되는 컬럼 이름

# left_on= 'left 데이터 프레임의 컬럼명', right_on= 'right 데이터 프레임의 컬럼명'

# emp_df, dept_df 데이터 프레임의 left, right join 결과 비교

INNER_JOIN

emp_emp1= pd.merge(df1, df2, left_on='EMPNO', right_on='MGR', how='inner')

print(emp_emp1.head())

print(emp_emp1.tail())

   EMPNO_x ENAME_x    JOB_x   MGR_x  ...   SAL_y  COMM_y  DEPTNO_y  SAL_GRADE_y

0     7566   JONES  MANAGER  7839.0  ...  3000.0     NaN        20            4

1     7566   JONES  MANAGER  7839.0  ...  3000.0     NaN        20            4

2     7698   BLAKE  MANAGER  7839.0  ...  1600.0   300.0        30            3

3     7698   BLAKE  MANAGER  7839.0  ...  1250.0   500.0        30            2

4     7698   BLAKE  MANAGER  7839.0  ...  1250.0  1400.0        30            2

[5 rows x 18 columns]

    EMPNO_x ENAME_x      JOB_x   MGR_x  ...   SAL_y  COMM_y  DEPTNO_y  SAL_GRADE_y

8      7788   SCOTT    ANALYST  7566.0  ...  1100.0     NaN        20            1

9      7839    KING  PRESIDENT     NaN  ...  2975.0     NaN        20            4

10     7839    KING  PRESIDENT     NaN  ...  2850.0     NaN        30            4

11     7839    KING  PRESIDENT     NaN  ...  2450.0     NaN        10            4

12     7902    FORD    ANALYST  7566.0  ...   800.0     NaN        20            1

[5 rows x 18 columns]

LEFT_JOIN

emp_emp2= pd.merge(df1, df2, left_on='EMPNO', right_on='MGR', how='left')

print(emp_emp2.head())

print(emp_emp2.tail())

   EMPNO_x ENAME_x     JOB_x   MGR_x  ...   SAL_y  COMM_y  DEPTNO_y  SAL_GRADE_y

0     7369   SMITH     CLERK  7902.0  ...     NaN     NaN       NaN          NaN

1     7499   ALLEN  SALESMAN  7698.0  ...     NaN     NaN       NaN          NaN

2     7521    WARD  SALESMAN  7698.0  ...     NaN     NaN       NaN          NaN

3     7566   JONES   MANAGER  7839.0  ...  3000.0     NaN      20.0          4.0

4     7566   JONES   MANAGER  7839.0  ...  3000.0     NaN      20.0          4.0

[5 rows x 18 columns]

    EMPNO_x ENAME_x     JOB_x   MGR_x  ...  SAL_y  COMM_y  DEPTNO_y  SAL_GRADE_y

16     7844  TURNER  SALESMAN  7698.0  ...    NaN     NaN       NaN          NaN

17     7876   ADAMS     CLERK  7788.0  ...    NaN     NaN       NaN          NaN

18     7900   JAMES     CLERK  7698.0  ...    NaN     NaN       NaN          NaN

19     7902    FORD   ANALYST  7566.0  ...  800.0     NaN      20.0          1.0

20     7934  MILLER     CLERK  7782.0  ...    NaN     NaN       NaN          NaN

[5 rows x 18 columns]

RIGHT_JOIN

emp_emp3= pd.merge(df1, df2, left_on='EMPNO', right_on='MGR', how='right')

print(emp_emp3.head())

print(emp_emp3.tail())

   EMPNO_x ENAME_x    JOB_x   MGR_x  ...   SAL_y  COMM_y  DEPTNO_y  SAL_GRADE_y

0   7566.0   JONES  MANAGER  7839.0  ...  3000.0     NaN        20            4

1   7566.0   JONES  MANAGER  7839.0  ...  3000.0     NaN        20            4

2   7698.0   BLAKE  MANAGER  7839.0  ...  1600.0   300.0        30            3

3   7698.0   BLAKE  MANAGER  7839.0  ...  1250.0   500.0        30            2

4   7698.0   BLAKE  MANAGER  7839.0  ...  1250.0  1400.0        30            2

[5 rows x 18 columns]

    EMPNO_x ENAME_x      JOB_x   MGR_x  ...   SAL_y  COMM_y  DEPTNO_y  SAL_GRADE_y

9    7839.0    KING  PRESIDENT     NaN  ...  2975.0     NaN        20            4

10   7839.0    KING  PRESIDENT     NaN  ...  2850.0     NaN        30            4

11   7839.0    KING  PRESIDENT     NaN  ...  2450.0     NaN        10            4

12   7902.0    FORD    ANALYST  7566.0  ...   800.0     NaN        20            1

13      NaN     NaN        NaN     NaN  ...  5000.0     NaN        10            5

[5 rows x 18 columns]