# CTE法 # WITH zongbiao AS ( # SELECT ei.exam_id, ei.tag, ei.difficulty, er.score # FROM examination_info AS ei # INNER JOIN exam_record AS er # ON ei.exam_id = er.exam_id # WHERE ei.tag = 'SQL' AND ei.difficulty = 'hard' # ), # min_max_score AS( # SELECT z.tag, MAX(z.score) AS max_score, MIN(z.score...

# UNION---自动删除重复行；UNION ALL---保留重复行 SELECT p.prod_name FROM Products AS p UNION SELECT c.cust_name AS prod_name FROM Customers AS c ORDER BY prod_name;

# 代码逻辑同样适用于一个用户有多个订单的情况 SELECT c.cust_name, oi.order_num, SUM(oi.quantity * oi.item_price) AS OrderTotal FROM Customers AS c INNER JOIN Orders AS o ON c.cust_id = o.cust_id INNER JOIN OrderItems AS oi ON o.order_num = oi.order_num GROUP BY c.cust_name, oi.order_num ORDER BY c.cust_name, oi.order_num...

SELECT p.prod_name, SUM(IFNULL(o.quantity, 0)) AS quant_sold # 可能存在有些商品没有销售记录的情况 FROM Products AS p LEFT OUTER JOIN OrderItems AS o ON p.prod_id = o.prod_id GROUP BY p.prod_name;

SELECT c.cust_email FROM Customers AS c WHERE c.cust_id in ( SELECT o.cust_id FROM Orders AS o WHERE o.order_num in ( SELECT oi.order_num FROM OrderItems AS oi WHERE oi.prod_id = 'BR01'));

SELECT o.order_num, SUM(o.item_price * o.quantity) AS total_price FROM OrderItems AS o GROUP BY o.order_num HAVING total_price >=1000 ORDER BY o.order_num;

import pandas as pd data = pd.read_csv('sales.csv') # 降序排名并输出前三行，并重设索引从0开始 print(data.sort_values('monetary', ascending=False).head(3).reset_index(drop=True))

import pandas as pd items = pd.read_csv('items.csv') signup = pd.read_csv('signup.csv') data = pd.merge(signup, items, on='item_id', how='inner') # 方法一：运用crosstab绘制交叉表 # tab = pd.crosstab([data['sex'], data['department']],data['item_name']) # print(tab) # 方法二：运用pivot_table()绘制透视表 tab = pd.pivot_tabl...

import pandas as pd items = pd.read_csv('items.csv') signup = pd.read_csv('signup.csv') data = pd.merge(signup, items, on='item_id', how='inner') data = data.query("department == 'functional' & item_name == 'javelin'") # 注意题干javelin多写了一个n！！！！！会筛选出空dataframe！！！！ print(data[['employee_id...

import pandas as pd items = pd.read_csv('items.csv') signup = pd.read_csv('signup.csv') signup1 = pd.read_csv('signup1.csv') data_s = pd.concat([signup, signup1], axis=0) # 按行拼接两个表 data = pd.merge(data_s, items, on='item_id', how='inner') print(data.groupby('item_name')['employee_id'].count())

import pandas as pd items = pd.read_csv('items.csv') signup = pd.read_csv('signup.csv') data = pd.merge(signup, items, on='item_id', how = 'outer') # 使用外连接，存在项目无人报名的情况，与right相同 print(data.groupby('item_name')['employee_id'].count())

import pandas as pd from numpy import outer items = pd.read_csv('items.csv') signup = pd.read_csv('signup.csv') data = pd.merge(signup, items, on='item_id', how='inner') # 存在项目无人报名的情况，使用inner与left效果相同 print(data.groupby(['item_name'])['employee_id'].count())

import pandas as pd data = pd.read_csv('Nowcoder.csv') print(data.groupby(['Level', 'Language']).size())

import pandas as pd data = pd.read_csv('Nowcoder.csv') print(data.groupby('Graduate_year')['Achievement_value'].max())