你知道Python有內置數據庫嗎？Python內置庫SQlite3使用指南
如果你是軟件開發人員，相信你一定知道或者曾經使用過一個非常輕量級的數據庫——SQLite。它具有作為關系數據庫所需的幾乎所有功能，但是這個數據庫把所有功能都保存在一個文件中。在其官方網站上，SQLite的主要應用場景包括：
- 嵌入式設備和物聯網
- 數據分析
- 數據傳輸
- 文件存檔或數據容器
- 內部或臨時數據庫
- 在演示或測試期間替代企業數據庫
- 教育、培訓和測試
- 實驗性SQL語言擴展
當然，SQLite還有很多其他功能，在此不一一列舉，感興趣的同學可以去看官方文檔：https://www.sqlite.org/whentouse.html
最重要的是，SQLite實際上是作為Python庫內置的。換言之，你不需要安裝任何服務器端/客戶端軟件，也不需要運行某個服務，只要你在Python中導入庫并開始編程，那么你就有了一個關系數據庫管理系統!
導入和使用
這里我們說“內置”的意思就是，你甚至不需要運行 pip install ，就能獲取庫。只需要通過以下方式導入：
- import sqlite3 as sl
1.創建與數據庫的連接
我們根本不需要為驅動程序、連接字符串等煩惱。可以直接創建一個 SQLite 數據庫，并擁有一個簡單的連接對象：
- con = sl.connect('my-test.db')
運行此行代碼后，我們就已經創建并連接到該數據庫上。 如果要求Python連接的數據庫不存在，它就會自動幫我們創建一個空數據庫。 如果我們已經創建了數據庫，就能用上面完全相同的代碼連接到現有數據庫。
2.創建表格
接下來，我們先創建一個表格。
- with con:
- con.execute("""
- CREATE TABLE USER (
- id INTEGER NOT NULL PRIMARY KEY AUTOINCREMENT,
- name TEXT,
- age INTEGER
- );
- """)
在這個 USER 表中，我們添加了三列。正如我們所看到的，SQLite 確實是輕量級的，但是它支持常規 RDBMS 應該具有的所有基本特性，例如數據類型、可為null、主鍵和自動遞增。
運行這段代碼之后，我們就已經創建好了一個表，盡管它什么都沒有輸出。
3.插入記錄
讓我們在剛剛創建的 USER 表中插入數據記錄，這也可以證明我們確實創建了它。
如果我們需要一次性插入多個記錄，Python中的SQLite也能很容易地實現這一點。
- sql = 'INSERT INTO USER (id, name, age) values(?, ?, ?)'
- data = [
- (1, 'Alice', 21),
- (2, 'Bob', 22),
- (3, 'Chris', 23)
- ]
我們需要用問號作為占位符來定義SQL語句 。接下來就是創建一些要插入的示例數據。使用連接對象，就能插入這些示例行。
- with con:
- con.executemany(sql, data)
在運行代碼之后，沒有報錯，那就是成功的。
4.查詢表格
接下來，我們通過實際的方式來驗證我們所做的一切，通過查詢表格來獲取示例行。
- with con:
- data = con.execute("SELECT * FROM USER WHERE age <= 22")
- for row in data:
- print(row)
你可以看到，很簡單就得到了結果。
此外，盡管 SQLite 是輕量級的，但是作為一個廣泛使用的數據庫，大多數SQL客戶端軟件都支持使用它。
我自己用得最多的是 DBeaver，接下來給大家介紹一下。
5.從SQL客戶端(DBeaver)連接到SQLite數據庫
因為我用的是 googlecolab，所以我要將 my-test.db 文件下載到我的本地計算機上。當然，你也可以直接在你的電腦上使用 Python 數據庫連接你的本地數據庫。
在 DBeaver 中，創建一個新連接并選擇 SQLite 作為數據庫類型。
然后，瀏覽DB文件。
現在你可以在數據庫上運行任何SQL查詢，看看它與其他常規關系數據庫有什么不同。
與Pandas無縫連接
你以為就只有這些?不，事實上，作為Python的一個內置特性，SQLite 可以與 Pandas 數據幀無縫連接。
讓我們先來定義一個數據幀。
- df_skill = pd.DataFrame({
- 'user_id': [1,1,2,2,3,3,3],
- 'skill': ['Network Security', 'Algorithm Development', 'Network Security', 'Java', 'Python', 'Data Science', 'Machine Learning']
- })
然后，我們可以簡單地調用數據幀的to_sql()方法將其保存到數據庫中。
- df_skill.to_sql('SKILL', con)
就這樣我們甚至不需要預先創建表，列的數據類型和長度都會被推斷出來。當然，如果你想的話，你也可以先定義。
然后，假設我們要將表 USER 和 SKILL 連接在一起，并將結果讀入Pandas數據框。
- df = pd.read_sql('''
- SELECT s.user_id, u.name, u.age, s.skill
- FROM USER u LEFT JOIN SKILL s ON u.id = s.user_id
- ''', con)
是不是很厲害?讓我們把結果寫到一個名為USER_SKILL的新表中。
- df.to_sql('USER_SKILL', con)
我們也可以用SQL客戶端來檢索表。
總結
實際上，Python中還隱藏著很多驚喜。而且這些驚喜并不沒有隱藏起來，只是Python有太多現成可以直接使用的特性了，這就導致很多人無法發現這些特性。
在本文中，我介紹了如何使用 Python 內置庫 sqlite3 在 SQLite 數據庫中創建和操作表。它也支持對表格進行更新和刪除操作，建議大家在看完這篇文章之后自己嘗試一下。
最重要的是，我們可以輕松地將表從 SQLite 數據庫讀入 Pandas 數據幀，反之亦然。這使我們能夠更容易地與我們的輕量級關系數據庫進行交互。
你可能會注意到 SQLite 沒有進行身份驗證，這也是它刻意設計的行為，因為需要輕量化。
一起去探索Python中更多令人驚訝的特性吧!
