【数据分析技术】SQL+NumPy+Pandas+PyTorch解析

文章目录

• 目录
• • 前言
  • 一、核心技术全景对比
  • 二、各技术深度解析
  • • 2.1 SQL：数据分析的“数据提取器”
    • • 核心语法与实战场景
      • • （1）基础数据查询与过滤
        • （2）分组聚合统计
        • （3）多表关联查询
        • （4）窗口函数（进阶）
      • 关键优化点
    • 2.2 NumPy：Python数值计算的“底层引擎”
    • • 核心功能与实战代码
      • • （1）数组创建与基本操作
        • （2）向量化运算（核心优势）
        • （3）广播机制（维度适配）
        • （4）数值计算（线性代数）
    • 2.3 Pandas：结构化数据分析的“瑞士军刀”
    • • 核心功能与实战代码
      • • （1）数据读取与结构查看
        • （2）数据清洗（核心场景）
        • （3）数据筛选与聚合
        • （4）数据可视化前置处理
    • 2.4 PyTorch：深度学习分析的“核心框架”
    • • 核心功能与实战代码
      • • （1）张量操作（与NumPy无缝衔接）
        • （2）自动微分（深度学习核心）
        • （3）数据加载（适配大规模数据集）
        • （4）简单回归模型训练（实战预测）
        • （5）GPU加速（提升训练效率）
  • 三、技术选型建议
  • 四、总结
  • • 核心要点回顾

目录

前言

若对您有帮助的话，请点赞收藏加关注哦，您的关注是我持续创作的动力！有问题请私信或联系邮箱：[e-mail]

在数据驱动的时代，数据分析技术是从海量数据中挖掘价值的核心工具。SQL作为数据提取的“基石语言”，NumPy/Pandas作为Python数据分析的“双引擎”，PyTorch则是从传统分析迈向深度学习分析的“桥梁”。本文将系统性拆解这四类核心技术的定位、核心能力、实战用法，帮你理清不同场景下的技术选型与落地思路。

一、核心技术全景对比

为了快速建立全局认知，先通过表格对比四类技术的核心特征：

技术维度	SQL	NumPy	Pandas	PyTorch
核心定位	关系型数据库数据查询/提取/聚合	Python数值计算基础库（底层）	Python结构化数据分析库（上层）	基于Python的深度学习框架（支持动态图）
核心数据结构	二维表（Table）	多维数组（ndarray）	系列（Series）、数据框（DataFrame）	张量（Tensor）、数据集（Dataset）
核心优势	1. 面向集合操作，高效查询海量结构化数据 2. 标准化语法，跨数据库兼容 3. 支持事务/索引，数据安全	1. 底层C实现，数值计算速度极快 2. 广播机制简化维度运算 3. 线性代数/傅里叶变换等数学工具丰富	1. 兼容NumPy，支持标签化索引 2. 内置数据清洗/缺失值处理/透视表 3. 便捷的文件读写（CSV/Excel/SQL）	1. 动态计算图，调试灵活 2. 张量操作兼容NumPy，无缝衔接传统分析 3. 内置自动微分、优化器，支持端到端训练 4. GPU加速，处理大规模高维数据
适用场景	1. 从数据库（MySQL/PostgreSQL）提取数据 2. 多表关联、分组聚合统计 3. 数据过滤与初步清洗	1. 大规模数值数组运算（如矩阵运算） 2. 科学计算、信号处理 3. 作为Pandas/PyTorch的底层支撑	1. 结构化数据清洗/转换/分析 2. 探索性数据分析（EDA） 3. 报表生成、数据可视化前置处理	1. 深度学习建模（分类/回归/聚类） 2. 高维数据（图像/文本）分析 3. 大规模数据集的分布式训练
学习门槛	低（语法简单，聚焦数据操作逻辑）	中（需理解数组维度、广播机制）	中低（语法直观，贴近Excel思维）	高（需掌握深度学习基础、张量运算、GPU调度）
典型操作	SELECT、GROUP BY、JOIN、窗口函数	数组创建/切片、广播、矩阵乘法	数据筛选、缺失值填充、分组聚合、透视表	张量运算、自动微分、模型定义、数据加载

二、各技术深度解析

2.1 SQL：数据分析的“数据提取器”

SQL是与数据库交互的标准语言，所有数据分析的第一步几乎都是通过SQL从数据库中获取目标数据，其核心价值在于高效处理结构化数据的查询与聚合。

核心语法与实战场景

（1）基础数据查询与过滤

最常用的场景：从数据表中提取指定字段，并按条件过滤。

-- 场景：从用户订单表中提取2025年1月的订单数据，仅保留金额>100的记录SELECTorder_id,user_id,order_amount,create_timeFROMorder_tableWHEREcreate_timeBETWEEN'2025-01-01'AND'2025-01-31'ANDorder_amount>100ORDERBYorder_amountDESC;

（2）分组聚合统计

分析核心需求：按维度（如用户省份、订单月份）统计指标（如订单数、总金额）。

-- 场景：统计2025年各省份的订单总数、总金额、平均订单金额SELECTuser_province,COUNT(order_id)ASorder_count,-- 订单数SUM(order_amount)AStotal_amount,-- 总金额AVG(order_amount)ASavg_amount-- 平均金额FROMorder_tableWHEREYEAR(create_time)=2025GROUPBYuser_provinceHAVINGorder_count>100;-- 过滤出订单数>100的省份

（3）多表关联查询

实际分析中，数据通常分散在多张表（如用户表、订单表、商品表），需通过关联整合。

-- 场景：关联用户表和订单表，统计各性别用户的2025年订单总金额SELECTu.user_gender,SUM(o.order_amount)AStotal_amountFROMuser_table uLEFTJOIN-- 左连接，保留所有用户（即使无订单）order_table oONu.user_id=o.user_idWHEREYEAR(o.create_time)=2025GROUPBYu.user_gender;

（4）窗口函数（进阶）

用于“分组内排序/排名”“累计计算”等场景，避免GROUP BY导致的行压缩。

-- 场景：计算每个用户的订单金额排名，以及累计订单金额SELECTuser_id,order_id,order_amount,-- 每个用户内的订单金额降序排名ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYorder_amountDESC)ASorder_rank,-- 每个用户内的累计订单金额SUM(order_amount)OVER(PARTITIONBYuser_idORDERBYcreate_time)AScumulative_amountFROMorder_tableWHEREYEAR(create_time)=2025;

关键优化点

• 对查询字段建立索引（如create_time、user_id），提升海量数据查询速度；
• 避免SELECT *，只查询需要的字段，减少数据传输量；
• 复杂查询可通过“子查询→临时表→CTE（WITH语句）”简化逻辑。

2.2 NumPy：Python数值计算的“底层引擎”

NumPy是Python数据分析的基础，其核心是ndarray多维数组，相比Python原生列表，它的优势在于向量化运算（无需循环）和底层C实现，速度提升10~100倍。

核心功能与实战代码

（1）数组创建与基本操作

importnumpyasnp# 1. 创建数组（常用方式）arr1=np.array([1,2,3,4,5])# 一维数组arr2=np.array([[1,2],[3,4],[5,6]])# 二维数组（3行2列）arr3=np.zeros((2,3))# 全0数组arr4=np.arange(0,10,2)# 步长为2的序列：[0 2 4 6 8]arr5=np.random.randn(3,3)# 标准正态分布的随机数组# 2. 数组属性print("数组维度：",arr2.ndim)# 输出：2print("数组形状：",arr2.shape)# 输出：(3, 2)print("数组元素类型：",arr2.dtype)# 输出：int64# 3. 数组切片（与列表类似，但支持多维）print(arr2[1:,:1])# 取第2行及以后，第1列：[[3], [5]]

（2）向量化运算（核心优势）

无需写for循环，直接对数组整体运算，效率极高。

# 场景：计算数组中每个元素的平方 + 10arr=np.array([1,2,3,4])result=arr**2+10# 向量化运算print(result)# 输出：[11 14 19 26]# 对比Python原生列表（需循环，效率低）lst=[1,2,3,4]result_lst=[x**2+10forxinlst]

（3）广播机制（维度适配）

当两个数组维度不同时，NumPy会自动扩展维度，实现运算（无需手动对齐）。

# 场景：二维数组 + 一维数组（广播适配）arr2d=np.array([[1,2],[3,4],[5,6]])arr1d=np.array([10,20])result=arr2d+arr1d# 一维数组广播为3行2列：[[10,20],[10,20],[10,20]]]print(result)# 输出：# [[11 22]# [13 24]# [15 26]]

（4）数值计算（线性代数）

# 矩阵乘法A=np.array([[1,2],[3,4]])B=np.array([[5,6],[7,8]])C=np.dot(A,B)# 或 A @ Bprint(C)# 输出：# [[19 22]# [43 50]]# 求均值、标准差、求和arr=np.array([[1,2],[3,4]])print("均值：",np.mean(arr))# 2.5print("按列求和：",np.sum(arr,axis=0))# [4 6]print("按行求标准差：",np.std(arr,axis=1))# [0.5 0.5]

2.3 Pandas：结构化数据分析的“瑞士军刀”

Pandas基于NumPy构建，专门处理结构化数据（如CSV、Excel、数据库表），其核心是Series（一维带标签）和DataFrame（二维带标签），完美解决了NumPy“无标签索引”“不支持缺失值”的痛点。

核心功能与实战代码

（1）数据读取与结构查看

importpandasaspd# 1. 读取数据（支持CSV/Excel/SQL/JSON等）df=pd.read_csv("order_data.csv")# 读取CSV文件# df = pd.read_excel("order_data.xlsx") # 读取Excel# df = pd.read_sql("SELECT * FROM order_table", conn) # 读取SQL结果# 2. 快速查看数据结构print(df.head(3))# 前3行print(df.info())# 数据类型、缺失值print(df.describe())# 数值字段的统计指标（均值、标准差、分位数等）print(df.columns)# 列名print(df.shape)# 数据形状（行×列）

（2）数据清洗（核心场景）

实际数据常存在缺失值、重复值、异常值，Pandas提供一站式清洗工具。

# 1. 处理缺失值df["order_amount"].fillna(df["order_amount"].mean(),inplace=True)# 均值填充金额缺失值df.dropna(subset=["user_id"],inplace=True)# 删除user_id为空的行# 2. 处理重复值df.drop_duplicates(subset=["order_id"],keep="first",inplace=True)# 按订单号去重，保留第一条# 3. 处理异常值（如订单金额>10000视为异常）df=df[df["order_amount"]<=10000]# 过滤异常值# 或替换为99分位数q99=df["order_amount"].quantile(0.99)df["order_amount"]=df["order_amount"].apply(lambdax:q99ifx>q99elsex)# 4. 数据类型转换df["create_time"]=pd.to_datetime(df["create_time"])# 字符串转日期df["user_gender"]=df["user_gender"].astype("category")# 转为分类类型（节省内存）

（3）数据筛选与聚合

# 1. 数据筛选（类似SQL的WHERE）# 筛选2025年1月、金额>100的订单df_filtered=df[(df["create_time"].dt.year==2025)&(df["create_time"].dt.month==1)&(df["order_amount"]>100)]# 2. 分组聚合（类似SQL的GROUP BY）# 统计各省份的订单数、总金额df_agg=df.groupby("user_province").agg({"order_id":"count",# 订单数"order_amount":["sum","mean"]# 总金额、平均金额}).reset_index()# 重命名列df_agg.columns=["user_province","order_count","total_amount","avg_amount"]# 3. 透视表（类似Excel数据透视）pivot_df=df.pivot_table(index="user_province",# 行维度columns="user_gender",# 列维度values="order_amount",# 数值aggfunc=["sum","mean"]# 聚合方式)

（4）数据可视化前置处理

Pandas可直接对接Matplotlib/Seaborn，快速生成分析图表：

importmatplotlib.pyplotasplt# 统计每月订单数并绘图df["month"]=df["create_time"].dt.to_period("M")# 提取月份monthly_order=df.groupby("month")["order_id"].count()# 绘制折线图monthly_order.plot(kind="line",figsize=(10,5),title="2025年月度订单数")plt.xlabel("月份")plt.ylabel("订单数")plt.show()

2.4 PyTorch：深度学习分析的“核心框架”

当传统分析无法挖掘高维/复杂数据（如图像、文本、时序数据）的价值时，PyTorch成为首选——它以张量为核心数据结构（兼容NumPy），支持动态计算图、自动微分，可快速搭建深度学习模型，实现从“描述性分析”到“预测性分析”的升级。

核心功能与实战代码

（1）张量操作（与NumPy无缝衔接）

importtorch# 1. 创建张量t1=torch.tensor([1,2,3])# 一维张量t2=torch.tensor([[1,2],[3,4]])# 二维张量t3=torch.zeros((2,3))# 全0张量t4=torch.randn(3,3)# 标准正态分布张量# 2. 张量属性print("张量维度：",t2.ndim)# 2print("张量形状：",t2.shape)# torch.Size([2, 2])print("设备（CPU/GPU）：",t2.device)# cpu# 3. 与NumPy互转arr=np.array([1,2,3])t=torch.from_numpy(arr)# NumPy转张量arr_back=t.numpy()# 张量转NumPy# 4. 张量运算（与NumPy类似）t5=t2+10# 加法t6=t2*2# 乘法t7=torch.matmul(t2,t2)# 矩阵乘法

（2）自动微分（深度学习核心）

PyTorch的autograd模块自动计算梯度，无需手动推导，是模型训练的基础。

# 场景：计算函数y = x^2 + 2x + 1在x=3处的梯度x=torch.tensor(3.0,requires_grad=True)# 开启梯度追踪y=x**2+2*x+1# 反向传播计算梯度y.backward()print("x的梯度：",x.grad)# 输出：tensor(8.)（导数为2x+2，x=3时为8）

（3）数据加载（适配大规模数据集）

PyTorch的Dataset和DataLoader可高效加载/批量处理数据，适配深度学习训练：

fromtorch.utils.dataimportDataset,DataLoader# 自定义数据集类classOrderDataset(Dataset):def__init__(self,data):self.x=torch.tensor(data[["user_age","order_count"]].values,dtype=torch.float32)# 特征self.y=torch.tensor(data["order_amount"].values,dtype=torch.float32)# 标签（预测目标）def__len__(self):returnlen(self.x)def__getitem__(self,idx):returnself.x[idx],self.y[idx]# 加载数据并创建DataLoader（批量加载、打乱）dataset=OrderDataset(df)dataloader=DataLoader(dataset,batch_size=32,shuffle=True)# 遍历数据批次forbatch_x,batch_yindataloader:print("批次特征形状：",batch_x.shape)# torch.Size([32, 2])print("批次标签形状：",batch_y.shape)# torch.Size([32])break

（4）简单回归模型训练（实战预测）

以“基于用户年龄、历史订单数预测订单金额”为例，搭建线性回归模型：

# 1. 定义模型classLinearRegression(torch.nn.Module):def__init__(self,input_dim):super().__init__()self.linear=torch.nn.Linear(input_dim,1)# 输入维度2，输出维度1defforward(self,x):returnself.linear(x)# 2. 初始化模型、损失函数、优化器model=LinearRegression(input_dim=2)criterion=torch.nn.MSELoss()# 均方误差损失（回归任务）optimizer=torch.optim.SGD(model.parameters(),lr=0.001)# 随机梯度下降# 3. 训练模型epochs=100forepochinrange(epochs):total_loss=0.0forbatch_x,batch_yindataloader:# 前向传播outputs=model(batch_x).squeeze()# 压缩维度（[32,1]→[32]）loss=criterion(outputs,batch_y)# 反向传播+优化optimizer.zero_grad()# 清空梯度loss.backward()# 计算梯度optimizer.step()# 更新参数total_loss+=loss.item()# 打印每轮损失if(epoch+1)%10==0:print(f"Epoch [{epoch+1}/{epochs}], Loss:{total_loss/len(dataloader):.4f}")# 4. 模型预测test_x=torch.tensor([[30,5]],dtype=torch.float32)# 测试数据：30岁，5次历史订单pred_amount=model(test_x)print(f"预测订单金额：{pred_amount.item():.2f}")

（5）GPU加速（提升训练效率）

如果有GPU，只需将张量/模型移到GPU即可：

device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")model.to(device)# 模型移到GPU# 训练时，批次数据也移到GPUforbatch_x,batch_yindataloader:batch_x=batch_x.to(device)batch_y=batch_y.to(device)# 后续训练逻辑不变

三、技术选型建议

分析场景	首选技术	补充说明
从数据库提取/聚合结构化数据	SQL	复杂聚合可结合窗口函数
小规模数值计算、矩阵运算	NumPy	作为Pandas/PyTorch的底层支撑
结构化数据清洗/EDA/报表生成	Pandas	兼容NumPy，可直接对接可视化工具
高维数据预测/分类（深度学习）	PyTorch	需先通过Pandas/NumPy完成数据预处理
混合场景（提取→清洗→建模）	SQL+Pandas+PyTorch	SQL提取数据→Pandas清洗→PyTorch建模

四、总结

核心要点回顾

1. SQL是数据分析的“入口”，负责从数据库高效提取结构化数据，核心是查询、聚合、关联操作；
2. NumPy是Python数值计算的“底层基石”，通过向量化运算和广播机制实现高效数组操作，支撑上层工具；
3. Pandas是结构化数据分析的“主力工具”，一站式解决数据清洗、聚合、可视化前置处理，贴近业务分析场景；
4. PyTorch是深度学习分析的“核心框架”，以张量为核心，支持自动微分和GPU加速，实现从传统分析到预测建模的升级。