معرفی شرکت ها
faro-0.0.4
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
An SQL-focused data analysis library for Python
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | faro-0.0.4 |
| نام | faro |
| نسخه کتابخانه | 0.0.4 |
| نگهدارنده | ['Yannis Katsaros'] |
| ایمیل نگهدارنده | ['yanniskatsaros@hotmail.com'] |
| نویسنده | Yannis Katsaros |
| ایمیل نویسنده | yanniskatsaros@hotmail.com |
| آدرس صفحه اصلی | https://github.com/yanniskatsaros/faro |
| آدرس اینترنتی | https://pypi.org/project/faro/ |
| مجوز | MIT |
<p align="left">
<img width=40% src="https://raw.githubusercontent.com/yanniskatsaros/faro/master/docs/faro.svg?sanitize=true">
</p>
[](https://travis-ci.com/yanniskatsaros/faro)
# Overview
`faro` is a fast, simple, and intuitive SQL-driven data analysis library for Python. It is built on top of `sqlite` and is intended to complement the existing data analysis packages in the Python eco-system, such as `numpy`, `pandas`, and `matplotlib` by providing easy interoperability between them. It also integrates with Jupyter by default to provide readable and interactive displays of queries and tables.
# Usage
Create a `Database` object and give it a name.
```python
from faro import Database
db = Database('transportation')
```
To add tables to the in-memory database, simply specify the name of the file. Supported file types include: `csv`, `json`, and `xlsx`. `add_table` inserts the contents of a file into a new table within the database. It can automatically detect the filetype and parse the file contents accordingly. In this example we load two different tables, one in `csv` format, and the other in `json` format.
```python
db.add_table('cars.json', name='cars')
db.add_table('airports.csv', name='airports')
```
We can also directly pass `pandas.DataFrame` or `faro.Table` objects to be added to the database. A helpful pattern when dealing with more complex parsing for a specific file is to read it into memory using `pandas` then add the `DataFrame` to the `faro.Database`.
```python
buses = pd.DataFrame({
'id' : [1, 2, 3, 4, 5],
'from' : ['Houston', 'Atlanta', 'Chicago', 'Boston', 'New York'],
'to' : ['San Antonio', 'Charlotte', 'Milwaukee', 'Cape Cod', 'Buffalo']
})
db.add_table(buses, name='buses')
```
Alternatively, we can directly assign to a table name as a property of the `table` object. Using this method, however, will also replace the entire table as opposed to the options offered by `add_table()`
```python
db.table.buses = buses
```
We can now query against any table in the database using pure SQL, and easily interact with the results in a Jupyter Notebook.
```python
sql = """
SELECT iata,
name,
city,
state
FROM airports
WHERE country = 'USA'
LIMIT 5
"""
db.query(sql)
```
<table border="1" class="dataframe">
<thead>
<tr style="text-align: right;">
<th></th>
<th>iata</th>
<th>name</th>
<th>city</th>
<th>state</th>
</tr>
</thead>
<tbody>
<tr>
<th>0</th>
<td>00M</td>
<td>Thigpen</td>
<td>Bay Springs</td>
<td>MS</td>
</tr>
<tr>
<th>1</th>
<td>00R</td>
<td>Livingston Municipal</td>
<td>Livingston</td>
<td>TX</td>
</tr>
<tr>
<th>2</th>
<td>00V</td>
<td>Meadow Lake</td>
<td>Colorado Springs</td>
<td>CO</td>
</tr>
<tr>
<th>3</th>
<td>01G</td>
<td>Perry-Warsaw</td>
<td>Perry</td>
<td>NY</td>
</tr>
<tr>
<th>4</th>
<td>01J</td>
<td>Hilliard Airpark</td>
<td>Hilliard</td>
<td>FL</td>
</tr>
</tbody>
</table>
If we want to interact with the data returned by the query, we can easily transform it into whatever data type is most convenient for the situation. Supported type conversions include: `List[Tuple]`, `Dict[List]`, `numpy.ndarray`, and `pandas.DataFrame`.
```python
table = db.query(sql)
type(table)
>>> faro.table.Table
df = table.to_dataframe()
type(df)
>>> pandas.core.frame.DataFrame
matrix = table.to_numpy()
type(matrix)
>>> numpy.ndarray
```
We can also interact with the tables in our database by accessing them as properties of the `table` object. For example:
```python
db.table.buses
```
<table border="1" class="dataframe">
<thead>
<tr style="text-align: right;">
<th></th>
<th>id</th>
<th>from</th>
<th>to</th>
</tr>
</thead>
<tbody>
<tr>
<th>1</th>
<td>1</td>
<td>Houston</td>
<td>San Antonio</td>
</tr>
<tr>
<th>2</th>
<td>2</td>
<td>Atlanta</td>
<td>Charlotte</td>
</tr>
<tr>
<th>3</th>
<th>3</th>
<td>Chicago</td>
<td>Milwaukee</td>
</tr>
<tr>
<th>4</th>
<th>4</th>
<td>Boston</td>
<td>Cape Cod</td>
</tr>
<tr>
<th>5</th>
<th>5</th>
<td>New York</td>
<td>Buffalo</td>
</tr>
</tbody>
</table>
نیازمندی
| مقدار | نام |
|---|---|
| >=1.5.1,<2.0.0 | pydantic |
| >=1.0.3,<2.0.0 | pandas |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6.1,<4.0.0 | Python |
نحوه نصب
نصب پکیج whl faro-0.0.4:
pip install faro-0.0.4.whl
نصب پکیج tar.gz faro-0.0.4:
pip install faro-0.0.4.tar.gz