1.1. 前言
在前面的文章我们留下的一个问题，就是使用了拆分的SQL却不能一次性的取出想要的结果。需要使用应用程序来拼凑结构。这边我们使用python来讲述如何拼凑出自己想要的结果。
1.2. 思路
1、向每个表中取出自己需要的结果。
2、使用程序将结构进行拼凑，从而获得我们需要的结构。
1.3. 程序实现
在python中我们引入了pandas这个模块：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pandas as pd
import mysql.connector
import sys
reload(sys)
sys.setdefaultencoding(‘utf-8’)
conf = {
‘host’ : ‘127.0.0.1’,
‘port’ : ‘3306’,
‘database’ : ‘test’,
‘user’ : ‘root’,
‘password’ : ‘root’
}
conn = mysql.connector.connect(**conf)
cur = conn.cursor()
######################
## 分 查找订单信息 ##
######################
# 同过 用户ID 获得用户名
user_sql = ”‘
SELECT user_id, name FROM user WHERE user_id IN(10);
‘”
user_info = pd.read_sql(user_sql, conn)
# 通过 用户ID 获得订单信息
order_sql = ”‘
SELECT user_id, order_id, num FROM orders WHERE user_id IN(10);
‘”
order_info = pd.read_sql(order_sql, conn)
# 获取所有订单ID
order_ids = order_info[‘order_id’].astype(str)
# 通过上面获得的 订单ID 获得订单商品信息。
order_good_sql = ”‘
SELECT order_id, good_name FROM order_good WHERE order_id IN ({ids});
‘”.format(ids = ‘,’.join(order_ids))
order_good_info = pd.read_sql(order_good_sql, conn)
# 通过 订单ID 获得券信息
coupon_sql = ”‘
SELECT order_id, name FROM coupon WHERE order_id IN({ids});
‘”.format(ids = ‘,’.join(order_ids))
coupon_info = pd.read_sql(coupon_sql, conn)
# 拼凑订单信息
# 用户信息 + 订单信息
new_data_1 = user_info.merge(order_info,
left_on=‘user_id’,
right_on=‘user_id’,
how=‘left’)
# new_data_1 + 订单商品信息
new_data_2 = new_data_1.merge(order_good_info,
left_on=‘order_id’,
right_on=‘order_id’,
how=‘left’)
# new_data_2 + 券信息
new_data_3 = new_data_2.merge(coupon_info,
left_on=‘order_id’,
right_on=‘order_id’,
how=‘left’)
print new_data_3
conn.close()
|
输出结果如下：
|
1
2
3
4
5
6
7
8
9
10
11
|
user_id name_x order_id num good_name name_y
0 10 HH 1 11111 order_good_1 coupon_1
1 10 HH 1 11111 order_good_2 coupon_1
2 10 HH 2 22222 order_good_3 NaN
3 10 HH 2 22222 order_good_4 NaN
4 10 HH 3 33333 order_good_5 coupon_3
5 10 HH 3 33333 order_good_6 coupon_3
6 10 HH 4 44444 order_good_7 NaN
7 10 HH 4 44444 order_good_8 NaN
8 10 HH 5 55555 order_good_9 coupon_5
9 10 HH 5 55555 order_good_10 coupon_5
|
源代码：no_join_1
这么一看，分完SQL之后的查询和程序的实现确实恐怖了好多。又多些了那么多代码，效率还不一定增加了。除了结果是想要的，和能明确的知道这个业务实现的每个细节（对后期维护有帮助），其他的就没有什么可以值得说的地方。对于程序员来说每次都要编写这么多的代码实现数据的拼凑，如果在加上逻辑的实现那代码量还不是“蹭蹭蹭”网上涨。
1.4. 补充
上面的数据在应用程序中Join我这边使用了python的pandas的Dataframe的merge来做的。对于做java的朋友来说可以使用Spark的DataFrame的merge来做。当然Spark也提供了Python的API但是暂时还没有pandas强大。不过在未来就不好说了。
昵称：HH
QQ：275258836
ttlsa群交流沟通(QQ群②：6690706 QQ群③：168085569 QQ群④：415230207（新） 微信公众号：ttlsacom)
感觉本文内容不错，读后有收获？