2A.eco - Python et la logique SQL - correction

Links: notebook, html, PDF, python, slides, GitHub

Correction d’exercices sur SQL.

from jyquickhelper import add_notebook_menu
add_notebook_menu()

SQL permet de créer des tables, de rechercher, d’ajouter, de modifier ou de supprimer des données dans les bases de données. Un peu ce que vous ferez bientôt tous les jours. C’est un langage de management de données, pas de nettoyage, d’analyse ou de statistiques avancées.

Les instructions SQL s’écrivent d’une manière qui ressemble à celle de phrases ordinaires en anglais. Cette ressemblance voulue vise à faciliter l’apprentissage et la lecture. Il est néanmoins important de respecter un ordre pour les différentes instructions.

Dans ce TD, nous allons écrire des commandes en SQL via Python.

Pour plus de précisions sur SQL et les commandes qui existent, rendez-vous là SQL, PRINCIPES DE BASE.

Se connecter à une base de données

A la différence des tables qu’on utilise habituellement, la base de données n’est pas visible directement en ouvrant Excel ou un éditeur de texte. Pour avoir une vue de ce que contient la base de données, il est nécessaire d’avoir un autre type de logiciel.

Pour le TD, nous vous recommandans d’installer SQLLiteSpy (disponible à cette adresse SqliteSpy ou sqlite_bro si vous voulez voir à quoi ressemble les données avant de les utiliser avec Python.

import sqlite3
# on va se connecter à une base de données SQL vide
# SQLite stocke la BDD dans un simple fichier
filepath = "./DataBase.db"
open(filepath, 'w').close() #crée un fichier vide
CreateDataBase = sqlite3.connect(filepath)

QueryCurs = CreateDataBase.cursor()

La méthode cursor() est un peu particulière :

Il s’agit d’une sorte de tampon mémoire intermédiaire, destiné à mémoriser temporairement les données en cours de traitement, ainsi que les opérations que vous effectuez sur elles, avant leur transfert définitif dans la base de données. Tant que la méthode .commit() n’aura pas été appelée, aucun ordre ne sera appliqué à la base de données.


A présent que nous sommes connectés à la base de données, on va créer une table qui contient plusieurs variables de format différents - ID sera la clé primaire de la base - Nom, Rue, Ville, Pays seront du text - Prix sera un réel

# On définit une fonction de création de table
def CreateTable(nom_bdd):
    QueryCurs.execute('''CREATE TABLE IF NOT EXISTS ''' + nom_bdd + '''
    (id INTEGER PRIMARY KEY, Name TEXT,City TEXT, Country TEXT, Price REAL)''')

# On définit une fonction qui permet d'ajouter des observations dans la table
def AddEntry(nom_bdd, Nom,Ville,Pays,Prix):
    QueryCurs.execute('''INSERT INTO ''' + nom_bdd + '''
    (Name,City,Country,Price) VALUES (?,?,?,?)''',(Nom,Ville,Pays,Prix))

def AddEntries(nom_bdd, data):
    """ data : list with (Name,City,Country,Price) tuples to insert
    """
    QueryCurs.executemany('''INSERT INTO ''' + nom_bdd + '''
    (Name,City,Country,Price) VALUES (?,?,?,?)''',data)


### On va créer la table clients

CreateTable('Clients')

AddEntry('Clients','Toto','Munich','Germany',5.2)
AddEntries('Clients',
    [('Bill','Berlin','Germany',2.3),
    ('Tom','Paris','France',7.8),
    ('Marvin','Miami','USA',15.2),
    ('Anna','Paris','USA',7.8)])

# on va "commit" c'est à dire qu'on va valider la transaction.
# > on va envoyer ses modifications locales vers le référentiel central - la base de données SQL

CreateDataBase.commit()

Voir la table

Pour voir ce qu’il y a dans la table, on utilise un premier Select où on demande à voir toute la table

QueryCurs.execute('SELECT * FROM Clients')
Values = QueryCurs.fetchall()
print(Values)
[(1, 'Toto', 'Munich', 'Germany', 5.2), (2, 'Bill', 'Berlin', 'Germany', 2.3), (3, 'Tom', 'Paris', 'France', 7.8), (4, 'Marvin', 'Miami', 'USA', 15.2), (5, 'Anna', 'Paris', 'USA', 7.8)]

Passer en pandas

Rien de plus simple : plusieurs manières de faire

import pandas as pd
# méthode SQL Query
df1 = pd.read_sql_query('SELECT * FROM Clients', CreateDataBase)
print("En utilisant la méthode read_sql_query \n", df1.head(), "\n")


#méthode DataFrame en utilisant la liste issue de .fetchall()
df2 = pd.DataFrame(Values, columns=['ID','Name','City','Country','Price'])
print("En passant par une DataFrame \n", df2.head())
En utilisant la méthode read_sql_query
    id    Name    City  Country  Price
0   1    Toto  Munich  Germany    5.2
1   2    Bill  Berlin  Germany    2.3
2   3     Tom   Paris   France    7.8
3   4  Marvin   Miami      USA   15.2
4   5    Anna   Paris      USA    7.8
En passant par une DataFrame
    ID    Name    City  Country  Price
0   1    Toto  Munich  Germany    5.2
1   2    Bill  Berlin  Germany    2.3
2   3     Tom   Paris   France    7.8
3   4  Marvin   Miami      USA   15.2
4   5    Anna   Paris      USA    7.8

Comparaison SQL et pandas

SELECT

En SQL, la sélection se fait en utilisant des virgules ou * si on veut sélectionner toutes les colonnes

# en SQL
QueryCurs.execute('SELECT ID,City FROM Clients LIMIT 2')
Values = QueryCurs.fetchall()
print(Values)
[(1, 'Munich'), (2, 'Berlin')]

En pandas, la sélection de colonnes se fait en donnant une liste

#sur la table
df2[['ID','City']].head(2)
ID City
0 1 Munich
1 2 Berlin

WHERE

En SQL, on utilise WHERE pour filtrer les tables selon certaines conditions

QueryCurs.execute('SELECT * FROM Clients WHERE City=="Paris"')
print(QueryCurs.fetchall())
[(3, 'Tom', 'Paris', 'France', 7.8), (5, 'Anna', 'Paris', 'USA', 7.8)]

Avec Pandas, on peut utiliser plusieurs manières de faire : - avec un booléen - en utilisant la méthode ‘query’

df2[df2['City'] == "Paris"]
ID Name City Country Price
2 3 Tom Paris France 7.8
4 5 Anna Paris USA 7.8
df2.query('City == "Paris"')
ID Name City Country Price
2 3 Tom Paris France 7.8
4 5 Anna Paris USA 7.8

Pour mettre plusieurs conditions, on utilise : - & en Python, AND en SQL - | en python, OR en SQL

QueryCurs.execute('SELECT * FROM Clients WHERE City=="Paris" AND Country == "USA"')
print(QueryCurs.fetchall())
[(5, 'Anna', 'Paris', 'USA', 7.8)]
df2.query('City == "Paris" & Country == "USA"')

df2[(df2['City'] == "Paris") & (df2['Country'] == "USA")]
ID Name City Country Price
4 5 Anna Paris USA 7.8

GROUP BY

En pandas, l’opération GROUP BY de SQL s’effectue avec une méthode similaire : groupby()

groupby() sert à regrouper des observations en groupes selon les modalités de certaines variables en appliquant une fonction d’aggrégation sur d’autres variables.

QueryCurs.execute('SELECT Country, count(*)  FROM Clients GROUP BY Country')
print(QueryCurs.fetchall())
[('France', 1), ('Germany', 2), ('USA', 2)]

Attention, en pandas, la fonction count() ne fait pas la même chose qu’en SQL. Count() s’applique à toutes les colonnes et compte toutes les observations non nulles.

df2.groupby('Country').count()
ID Name City Price
Country
France 1 1 1 1
Germany 2 2 2 2
USA 2 2 2 2

Pour réaliser la même chose qu’en SQL, il faut utiliser la méthode size()

df2.groupby('Country').size()
Country
France     1
Germany    2
USA        2
dtype: int64

On peut aussi appliquer des fonctions plus sophistiquées lors d’un groupby

QueryCurs.execute('SELECT Country, AVG(Price), count(*)  FROM Clients GROUP BY Country')
print(QueryCurs.fetchall())
[('France', 7.8, 1), ('Germany', 3.75, 2), ('USA', 11.5, 2)]

Avec pandas, on peut appeler les fonctions classiques de numpy

import numpy as np
df2.groupby('Country').agg({'Price': np.mean, 'Country': np.size})
Price Country
Country
France 7.80 1
Germany 3.75 2
USA 11.50 2

Ou utiliser des fonctions lambda

# par exemple calculer le prix moyen et le multiplier par 2
df2.groupby('Country')['Price'].apply(lambda x: 2*x.mean())
Country
France     15.6
Germany     7.5
USA        23.0
Name: Price, dtype: float64
QueryCurs.execute('SELECT Country, 2*AVG(Price) FROM Clients GROUP BY Country').fetchall()
[('France', 15.6), ('Germany', 7.5), ('USA', 23.0)]
QueryCurs.execute('SELECT * FROM Clients WHERE Country == "Germany"')
print(QueryCurs.fetchall())
QueryCurs.execute('SELECT * FROM Clients WHERE City=="Berlin" AND Country == "Germany"')
print(QueryCurs.fetchall())
QueryCurs.execute('SELECT * FROM Clients WHERE Price BETWEEN 7 AND 20')
print(QueryCurs.fetchall())
[(1, 'Toto', 'Munich', 'Germany', 5.2), (2, 'Bill', 'Berlin', 'Germany', 2.3)]
[(2, 'Bill', 'Berlin', 'Germany', 2.3)]
[(3, 'Tom', 'Paris', 'France', 7.8), (4, 'Marvin', 'Miami', 'USA', 15.2), (5, 'Anna', 'Paris', 'USA', 7.8)]

Enregistrer une table SQL sous un autre format

On utilise le package csv, l’option ‘w’ pour ‘write’.

On crée l’objet “writer”, qui vient du package csv.

Cet objet a deux méthodes : - writerow pour les noms de colonnes : une liste - writerows pour les lignes : un ensemble de liste

data = QueryCurs.execute('SELECT * FROM Clients')

import csv

with open('./output.csv', 'w') as file:
    writer = csv.writer(file)
    writer.writerow(['id','Name','City','Country','Price'])
    writer.writerows(data)

On peut également passer par un DataFrame pandas et utiliser .to_csv()

QueryCurs.execute('''DROP TABLE Clients''')
#QueryCurs.close()
<sqlite3.Cursor at 0x1bb8f97a810>

Exercice

Dans cet exercice, nous allons manipuler les tables de la base de données World.

Avant tout, connectez vous à la base de donénes en utilisant sqlite3 et connect

Lien vers la base de données : World.db3 ou

::

from ensae_teaching_cs.data import simple_database name = simple_database()

#Se connecter à la base de données WORLD
CreateDataBase = sqlite3.connect("./World.db3")
QueryCurs = CreateDataBase.cursor()

Familiarisez vous avec la base de données : quelles sont les tables ? quelles sont les variables de ces tables ? - utilisez la fonction PRAGMA pour obtenir des informations sur les tables

# pour obtenir la liste des tables dans la base de données
tables = QueryCurs.execute("SELECT name FROM sqlite_master WHERE type='table';").fetchall()

# on veut voir les colonnes de chaque table ainsi que la première ligne
for table in tables :
    print("Table :", table[0])
    schema = QueryCurs.execute("PRAGMA table_info({})".format(table[0])).fetchall()
    print("Colonnes", ["{}".format(x[1]) for x in schema])
    print("1ère ligne", QueryCurs.execute('SELECT * FROM {} LIMIT 1'.format(table[0])).fetchall(), "\n")
Table : City
Colonnes ['ID', 'Name', 'CountryCode', 'District', 'Population']
1ère ligne [(1, 'Kabul', 'AFG', 'Kabol', 1780000)]
Table : Country
Colonnes ['Code', 'Name', 'Continent', 'Region', 'SurfaceArea', 'IndepYear', 'Population', 'LifeExpectancy', 'GNP', 'GNPOld', 'LocalName', 'GovernmentForm', 'HeadOfState', 'Capital', 'Code2']
1ère ligne [('AFG', 'Afghanistan', 'Asia', 'Southern and Central Asia', 652090.0, 1919, 22720000, 45.9, 5976.0, None, 'Afganistan/Afqanestan', 'Islamic Emirate', 'Mohammad Omar', 1, 'AF')]
Table : CountryLanguage
Colonnes ['CountryCode', 'Language', 'IsOfficial', 'Percentage']
1ère ligne [('AFG', 'Pashto', 1, 52.4)]

Question 1

  • Quels sont les 10 pays qui ont le plus de langues ?

  • Quelle langue est présente dans le plus de pays ?

QueryCurs.execute("""SELECT CountryCode, COUNT(*) as NB
                  FROM CountryLanguage
                  GROUP BY CountryCode
                  ORDER BY NB DESC
                  LIMIT 10""").fetchall()
[('AGO', 13),
 ('CAN', 12),
 ('CHN', 12),
 ('IND', 12),
 ('RUS', 12),
 ('USA', 12),
 ('TZA', 11),
 ('ZAF', 11),
 ('COD', 10),
 ('IRN', 10)]
QueryCurs.execute('''SELECT Language, COUNT(*) as NB
                  FROM CountryLanguage
                  GROUP BY Language
                  ORDER BY -NB
                  LIMIT 1''').fetchall()
[('English', 60)]

Question 2

  • Quelles sont les différentes formes de gouvernements dans les pays du monde ?

  • Quels sont les 3 gouvernements où la population est la plus importante ?

QueryCurs.execute('''SELECT DISTINCT GovernmentForm FROM Country''').fetchall()
[('Islamic Emirate',),
 ('Constitutional Monarchy',),
 ('Nonmetropolitan Territory of The Netherlands',),
 ('Republic',),
 ('US Territory',),
 ('Parliamentary Coprincipality',),
 ('Dependent Territory of the UK',),
 ('Emirate Federation',),
 ('Federal Republic',),
 ('Constitutional Monarchy, Federation',),
 ('Monarchy (Emirate)',),
 ('Monarchy',),
 ('Monarchy (Sultanate)',),
 ('Nonmetropolitan Territory of New Zealand',),
 ('Part of Denmark',),
 ('Overseas Department of France',),
 ('Special Administrative Region of China',),
 ('Dependent Territory of Norway',),
 ('Islamic Republic',),
 ('Administrated by the UN',),
 ('Territory of Australia',),
 ("People'sRepublic",),
 ('Socialistic Republic',),
 ('Constitutional Monarchy (Emirate)',),
 ('Socialistic State',),
 ('Occupied by Marocco',),
 ('Territorial Collectivity of France',),
 ('Commonwealth of the US',),
 ('Nonmetropolitan Territory of France',),
 ('Parlementary Monarchy',),
 ('Federation',),
 ('Independent Church State',),
 ('Autonomous Area',),
 ('Co-administrated',),
 ('Dependent Territory of the US',)]
QueryCurs.execute('''SELECT GovernmentForm, SUM(Population) as Pop_Totale_Gouv
                  FROM Country
                  GROUP BY GovernmentForm
                  ORDER BY Pop_Totale_Gouv DESC
                  LIMIT 3
                  ''').fetchall()
[('Federal Republic', 2009320500),
 ('Republic', 2003311200),
 ("People'sRepublic", 1277558000)]

Question 3

  • Combien de pays ont Elisabeth II à la tête de leur gouvernement ?

  • Quelle proporition des sujets de Sa Majesté ne parlent pas anglais ?

    • 78 % ou 83% ?

QueryCurs.execute('''SELECT HeadOfState, Count(*)
FROM Country
WHERE HeadOfState = "Elisabeth II" ''').fetchall()
[('Elisabeth II', 35)]
# la population totale
population_queen_elisabeth = QueryCurs.execute('''SELECT HeadOfState, SUM(Population)
FROM Country
WHERE HeadOfState = "Elisabeth II"''').fetchall()
# La part de la population parlant anglais
Part_parlant_anglais= QueryCurs.execute('''SELECT Language, SUM(Percentage*0.01*Population)
FROM
Country
LEFT JOIN
CountryLanguage
ON Country.Code = CountryLanguage.CountryCode
WHERE HeadOfState = "Elisabeth II"
AND Language = "English"
''').fetchall()
# La réponse est 78% d'après ces données
Part_parlant_anglais[0][1]/population_queen_elisabeth[0][1]
0.7793618770018202
## on trouve 83% si on ne fait pas attention au fait que dans certaines zones, 0% de la population parle anglais
## La population totale n'est alors pas la bonne, comme dans cet exemple

QueryCurs.execute('''SELECT Language,
SUM(Population_pays*0.01*Percentage) as Part_parlant_anglais, SUM(Population_pays) as Population_totale
FROM (SELECT  Language, Code, Percentage, SUM(Population) as Population_pays
FROM
    Country
LEFT JOIN
    CountryLanguage
ON Country.Code = CountryLanguage.CountryCode
WHERE HeadOfState = "Elisabeth II" AND Language == "English"
GROUP BY Code)''').fetchall()
[('English', 95762181.19999999, 114637500)]

Conclusion: il vaut mieux écrire deux requêtes simples et lisibles pour obtenir le bon résultat, plutôt qu’une requête qui fait tout en une seule passe mais dont on va devoir vérifier la correction longuement…

Question 4 - passons à Pandas

Créer une DataFrame qui contient les informations suivantes par pays : - le nom - le code du pays - le nombre de langues parlées - le nombre de langues officielles - la population - le GNP - l’espérance de vie

Indice : utiliser la commande pd.read_sql_query

Que dit la matrice de corrélation de ces variables ?

df = pd.read_sql_query('''SELECT Code, Name, Population, GNP , LifeExpectancy,
                    COUNT(*) as Nb_langues_parlees, SUM(IsOfficial) as Nb_langues_officielles
                    FROM Country
                    INNER JOIN CountryLanguage ON Country.Code = CountryLanguage.CountryCode
                    GROUP BY Country.Code''',
                    CreateDataBase)
df.head()
Code Name Population GNP LifeExpectancy Nb_langues_parlees Nb_langues_officielles
0 ABW Aruba 103000 828.0 78.4 4 1
1 AFG Afghanistan 22720000 5976.0 45.9 5 2
2 AGO Angola 12878000 6648.0 38.3 13 1
3 AIA Anguilla 8000 63.2 76.1 1 1
4 ALB Albania 3401200 3205.0 71.6 3 1
df.corr()
Population GNP LifeExpectancy Nb_langues_parlees Nb_langues_officielles
Population 1.000000 0.280376 0.006774 0.398681 -0.010049
GNP 0.280376 1.000000 0.164094 0.260181 0.019451
LifeExpectancy 0.006774 0.164094 1.000000 -0.317962 0.270675
Nb_langues_parlees 0.398681 0.260181 -0.317962 1.000000 -0.084946
Nb_langues_officielles -0.010049 0.019451 0.270675 -0.084946 1.000000