[译] Python 和 Pandas 在 SQLite 数据库中的运用

清疚 2022-06-02 11:05 173阅读 0赞

[Udacity 带你一站式掌握入门深度学习所需的数学与编程基础，迈出成为深度学习工程师的第一步！限定席位预定只需100元，立即报名吧！https://cn.udacity.com/course/deep-learning-nanodegree-foundation--nd101-cn][Udacity _100_https_cn.udacity.com_course_deep-learning-nanodegree-foundation--nd101-cn]

>  *  原文地址：[Working with SQLite Databases using Python and Pandas][]
>  *  原文作者：[Vik Paruchuri][]
>  *  译文出自：[掘金翻译计划][Link 1]
>  *  译者： [Nicolas(Yifei) Li][Nicolas_Yifei_ Li]
>  *  校对者：[marcmoore][], [futureshine][]

[SQLite][] 是一个数据库引擎，使用它能方便地存储和处理关系型数据。它和 *cvs* 格式很相似，`SQLite` 把数据存储在一个单独的文件中，它能方便地与其他人共享。大部分的编程语言和编译环境都对 `SQLite` 数据库提供了很好的支持。`Python` 也不例外，并且专门有一个访问 `SQLite` 数据库的程序库，叫做 `sqlite3`，自从 `2.5` 版本以来，它就已经被 `Python` 纳入标准库里。在这篇博文中，我们将学会如何使用 `sqlite3` 创建、查询和更新数据库。也包括了，使用 [pandas][] 程序包如何简化 `SQLite` 数据库。我们会使用 `Python 3.5`，但是所有的实现方法应该兼容 `Python 2`。

在我们开始之前，让我们先快速检阅下我们之后要处理的数据。我们看到的是航空公司的航班数据，它包含了有关航空公司的信息，机场名称和往来各个机场的航线名称。每一条航线代表着有一架航班重复往返于目的地和始发地的机场。

所有的数据都存在一个叫做 `flights.db` 的数据库中，它有三张表格 - `airports`, `airliens`, `routes`。你可以到 [这里][Link 2] 下载到它。

这里有两行来自 `airlines` 表格的数据:

就如你在上表中看到的，每一行都是一个不同的航空公司，每一列是这个航空公司的属性，例如 `name` 和 `country`。每一个航空公司也都有一个独一无二的 `id`，所以如果需要的时候，我们能非常方便地查询到。

这里有两行来自 `airports` 表格的数据:

就如你所看到的，每一行都对应了一个机场，并且包含了机场所在地的信息。每一个机场也有一个独一无二的 `id`，所以我们也能方便地进行查询。

这里有两行来自 `routes` 表格的数据:

每一条航线包含有一个 `airline_id`，这个 `id` 代表飞这条航线的航空公司，`souce_id` 也是，它是航班始发地机场的 `id`，而 `dest_id` 是该航班目的地机场的 `id`。

至此，我们知道了需要处理的是什么数据，让我们先从连接数据库和执行一条查询指令开始。

## 使用 `Python` 执行数据库的查询指令 ##

为了通过 `Python` 使用 `SQLite` 数据库，我们先要连接这个数据库。我们可以使用 [connect][] 方法, 它返回一个 [Connection][] 对象:

import sqlite3
    
    conn = sqlite3.connect("flights.db")

一旦我们有了一个 `Connection 对象`，之后创建一个 [Cursor][] 对象。`Cursors` 让我们能对一个数据库执行 `SQL` 查询指令。

cur = conn.cursor()

一旦我们有了这个 `Cursor 对象`，我们能使用它通过适当地调用 [execute][] 方法来对数据库执行查询指令。通过以下代码，你能从 `airlines` 表中获取前 `5` 行数据结果。

cur.execute("select * from airlines limit 5;")

你可能已经注意到，我们没有把之前的查询结果存储到一个变量中。这是因为我们需要执行另外一个指令来真正地获得结果。我们可以使用 [fetchall][] 方法来获取查询的结果。

results = cur.fetchall()
    print(results)
    
    
    
    
    
    [(0, '1', 'Private flight', '\\N', '-', None, None, None, 'Y'),
     (1, '2', '135 Airways', '\\N', None, 'GNL', 'GENERAL', 'United States', 'N'),
     (2, '3', '1Time Airline', '\\N', '1T', 'RNX', 'NEXTIME', 'South Africa', 'Y'),
     (3, '4', '2 Sqn No 1 Elementary Flying Training School', '\\N', None, 'WYT', None, 'United Kingdom', 'N'),
     (4, '5', '213 Flight Unit', '\\N', None, 'TFU', None, 'Russia', 'N')]

如你所见，查询结果以 一组 [tuples][] 的格式返回。每一个 `tuple` 对应了我们从数据库中访问到某一行数据。以这种形式处理数据是非常麻烦的。我们需要人为地增加每一列的表头，并且手动解析数据。 幸运的是，`pandas` 提供的库中有更加便捷的方法，我们会在下一个部分中提到它。

在我们继续探索之前，及时关闭那些被打开的 `Connection 对象` 和 `Cursor 对象` 是良好的习惯。这样避免了 `SQLite` 数据库被锁上。当一个 `SQLite` 数据库被锁上的时候，你可能就无法对这个数据库进行更新操作了，也会得到错误的提示。我们能通过以下方式关闭 `Connection 对象` 和 `Cusor 对象`:

cur.close()
    conn.close()

### 绘制机场地图 ###

使用我们新发现的查询指令，我们能在世界地图上描绘和展示出所有机场的位置。首先，我们先要查询机场的经纬度坐标：

import sqlite3
    
    conn = sqlite3.connect("flights.db")
    cur = conn.cursor()
    coords = cur.execute("""
      select cast(longitude as float),
      cast(latitude as float)
      from airports;"""
    ).fetchall()

以上的查询代码将检索返回 `airports` 表中每列 `latitude` 和 `longitude` 的数据，并把结果转化成 `float` 类型。之后，我们调用 `fetchall` 方法来获取他们。

接下来，我们通过导入 [matplotlib][] 来创建我们的测绘图，它是 `Python` 上主要的绘图库。结合 [basemap][] 包，这允许我们只使用 `Python` 就能创建地图。

首先，我们需要导入这些库:

from mpl_toolkits.basemap import Basemap
    import matplotlib.pyplot as plt

之后，建立我们的地图，并且描绘出大陆和海岸线，它们会构成我们地图的背景。

m = Basemap(
      projection='merc',
      llcrnrlat=-80,
      urcrnrlat=80,
      llcrnrlon=-180,
      urcrnrlon=180,
      lat_ts=20,
      resolution='c'
    )
    
    m.drawcoastlines()
    m.drawmapboundary()

最后，我们在地图上描绘出每一个机场的坐标。我们从 `SQLite` 数据库中检索一组 `tuples`。 在每个 `tuple` 中第一个元素是飞机场的经度，第二个是纬度。我们会把这些经度和纬度转换成它们自己的数组，之后把它们描绘在地图上。

x, y = m(
      [l[0] for l in coords],
      [l[1] for l in coords]
    )
    
    m.scatter(
      x,
      y,
      1,
      marker='o',
      color='red'
    )

最终，我们把每一个机场都展现在了世界地图上:

[![Image 1][]][Image 1 1]

你可能注意到，直接操作来自数据库的数据让你痛苦不堪。我们需要记住每一个 `tuple` 的位置对应到数据库中每一列是什么，并且手动为每一列解析出每组各自的内容。

### 用 `pandas DataFrame` 读取数据结果 ###

我们能使用 `pandas` 的 [read\_sql\_query][read_sql_query] 方法直接把一条 `SQL` 查询结果读取到一个 `pandas DataFrame` 中。下面的代码将执行和前文中作用一样的查询，但是它会返回一个 `DataFrame`。对比前文的数据查询方式，它能带来诸多好处:

*  我们不需要每次到最后都创建一个 `Cursor 对象` 或者调用 `fetchall`。
 *  它能自动通过表头的名字来阅读整个表。
 *  它创建了一个 `DataFrame`，所以我们能快速的挖掘数据。

import pandas as pd
        import sqlite3
    
        conn = sqlite3.connect("flights.db")
        df = pd.read_sql_query("select * from airlines limit 5;", conn)
        df

<table style="display:inline-block; font-size:1rem; width:auto; overflow:auto; border-color:rgb(246,246,246)"> 
 <thead style="background:rgb(246,246,246); color:rgb(0,0,0)"> 
  <tr> 
   <th style="padding:1rem 0.6rem; line-height:2rem">&nbsp;</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">index</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">id</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">name</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">alias</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">iata</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">icao</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">callsign</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">country</th> 
   <th style="padding:1rem 0.6rem; line-height:2rem">active</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">0</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">0</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">1</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">Private flight</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">\N</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">-</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">Y</td> 
  </tr> 
  <tr style="background-color:rgb(252,252,252)"> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">1</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">1</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">2</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">135 Airways</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">\N</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">GNL</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">GENERAL</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">United States</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">N</td> 
  </tr> 
  <tr> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">2</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">2</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">3</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">1Time Airline</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">\N</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">1T</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">RNX</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">NEXTIME</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">South Africa</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">Y</td> 
  </tr> 
  <tr style="background-color:rgb(252,252,252)"> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">3</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">3</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">4</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">2 Sqn No 1 Elementary Flying Training School</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">\N</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">WYT</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">United Kingdom</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">N</td> 
  </tr> 
  <tr> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">4</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">4</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">5</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">213 Flight Unit</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">\N</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">TFU</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">None</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">Russia</td> 
   <td style="padding:1rem 0.6rem; line-height:2rem; min-width:10rem">N</td> 
  </tr> 
 </tbody> 
</table>

如你所见，我们得到了一个有着清晰格式的 `DataFrame` 作为结果。我们能方便地操作这些列:

df["country"]
    
    
    
    
    
      0              None
      1     United States
      2      South Africa
      3    United Kingdom
      4            Russia
      Name: country, dtype: object

强烈建议尽可能使用 `read_sql_query` 方法。

### 构建航线图 ###

至此，我们已经知道如何把查询结果读取到 `pandas DataFrames` 中，我们能在世界地图上创建每一个航空公司的航线图。首先，我们需要查询这些数据。查询方式如下:

*  获取每一条航线中始发地机场的经纬度。
 *  获取每一条航线中目的地机场的经纬度。
 *  把所有这些坐标转换成 `float` 类型。
 *  把检索结果读取进一个 `DataFrame` 中，并把他们存在变量 `routes` 中。

routes = pd.read_sql_query("""
                                   select cast(sa.longitude as float) as source_lon,
                                   cast(sa.latitude as float) as source_lat,
                                   cast(da.longitude as float) as dest_lon,
                                   cast(da.latitude as float) as dest_lat
                                   from routes
                                   inner join airports sa on
                                   sa.id = routes.source_id
                                   inner join airports da on
                                   da.id = routes.dest_id;
                                   """,
                                   conn)

之后，我们开始创建地图:

m = Basemap(projection='merc',llcrnrlat=-80,urcrnrlat=80,llcrnrlon=-180,urcrnrlon=180,lat_ts=20,resolution='c')
    m.drawcoastlines()

首先，我们开始遍历最先的 `3000` 行数据，并绘制他们。代码如下:

*  把前 `3000` 行数据遍历存储到 `routes` 中。
 *  判断航线是否太长。
 *  如果航线不是很长:
    
     *  在始发地和目的地之间画一个圈。

for name, row in routes[:3000].iterrows():
            if abs(row["source_lon"] - row["dest_lon"]) < 90:
                # Draw a great circle between source and dest airports.
                m.drawgreatcircle(
                    row["source_lon"],
                    row["source_lat"],
                    row["dest_lon"],
                    row["dest_lat"],
                    linewidth=1,
                    color='b'
                )

最后，我们完成了这个地图:

[![Image 1][]][Image 1 2]

比起直接使用 `sqlite3` 处理这些原始检索数据，当我们使用 `pandas` 把所有的 `SQL` 检索到的数据读入一个 `DataFrame` 中是一个非常有效的方法。

至此，我们理解了如何检索数据库的内容，接下来，让我们看看如何对这些数据进行修改。

### 这篇博文还是挺有趣的吧？ 让我们使用 `Dataquest` 学习数据科学 ###

#####  #####

*  选一个你喜欢的浏览器继续学习。
 *  操作真实世界的数据。
 *  创建一个项目集。

[免费在线课堂][Link 3]

## 修改数据库的内容 ##

我们可以使用 `sqlite3` 开发包来修改一个 `SQLite` 数据库，比如插入，更新或者删除某些行内容。创建数据库的连接和查询一个数据表的方法一样，所以我们会跳过这个部分。

### 使用 `Python` 插入行内容 ###

为了插入一行数据，我们需要写一条 `INSERT` 查询指令。以下代码会对 `airlines` 表中新增加一行数据。我们指定 `9` 个需要被添加的数据，对应着 `airlines` 表格的每一列。这会为这个表增加一行新数据。

cur = conn.cursor()
    cur.execute("insert into airlines values (6048, 19846, 'Test flight', '', '', null, null, null, 'Y')")

如果你尝试对这个表格进行检索，你其实还不能看到这条新的数据。然而，你会看到一个名字为 `flights.db-journal` 的文件被创建了。在你准备好把它 `commit` 到主数据库 `flights.db`之前，`flights.db-journal` 会代为存储新增加的行数据。

`SQLite` 并不会写入数据库直到你提交了一个 [transaction][]。每一个 `transaction` 包含了 1 个或者多个查询指令，它能把所有新的变化一次性提交给数据库。这样的设计使得从意外的修改或错误中恢复变得更加容易。`Transaction` 允许你执行多个查询指令，最终这些结果都会修改数据库。这确保了如果有一条查询指令失败了，数据库不会只有部分内容被更新。

举个例子来说，如果你有两张表，一张表包含了对银行账户收取的费用(`charges`)，另一张表包含了账户在银行内存款的余额(`balances`)。假定有一位银行客户 Roberto，他想给姐妹 Luisa 转 $50 美元。为了完成这笔交易，银行应该需要执行以下几步:

*  在 `charges` 中新增加一行，描述有 $50 美元正要从 Roberto 的账户转到 Luisa。
 *  更新 Roberto `balances` 表中的数据内容，并且移除 $50 美元。
 *  更新 Luisa `balances` 表中的数据内容，并且增加 $50 美元。

如此来说，为了更新所有的表格需要三次单独的 `SQL` 查询指令。如果一个查询指令失败了，我们的数据库就会被破损的数据卡住。举例来说，如果前两条指令成功运行了，第三条失败了，Roberto 将会损失他的钱，但是 Luisa 也不会获得这笔钱。`Transactions` 意味着主数据库不会被更新除非所有的查询指令都被成功执行。这避免了系统进入错误的状态，用户可能会丢失他们的存款。

默认情况下，当你执行了任何会修改数据库的查询指令时，`sqlite3` 会打开一个 `transaction`。你能在 [这里][Link 4] 了解更多。我们能提交 `transaction`，也能使用 [commit][] 方法对 `airlines` 表新增加内容:

conn.commit()

现在，当我们检索 `flights.db` 的时候，我们将看到这个额外的数据，它包含我们的测试航班。

pd.read_sql_query("select * from airlines where id=19846;", conn)

### 对检索增加条件参数 ###

在最后那条查询指令中，我们把固定值插入到所需要的数据库中。多数情况下，当你想插入数据到数据库中的时候，它不会是一些固定值，它应该是一些你想传入方法的动态值。这些动态值可能来自于下载得到的数据，或者来自于用户的输入。

当操作动态值的时候，有些人尝试用 `Python` 的格式化字符串来插入这些值:

cur = conn.cursor()
    name = "Test Flight"
    cur.execute("insert into airlines values (6049, 19847, {
        0}, '', '', null, null, null, 'Y')".format(name))
    conn.commit()

你应该避免这样做！通过 `Python` 的格式化字符串插入数值会让你的程序更加容易受到 [SQL 注入][SQL] 的攻击。幸运的是，`sqlite3` 有一个更加直接的方式来注入动态值，而不是依赖格式化的字符串。

cur = conn.cursor()
    values = ('Test Flight', 'Y')
    cur.execute("insert into airlines values (6049, 19847, ?, '', '', null, null, null, ?)", values)
    conn.commit()

任何在查询指令中以 `?` 形式出现的数值都会被 `values` 中的数值替代。第一个 `?` 将会被 `values` 中的第一个数值替代，第二个也是，其他以此类推。这个方式对任何形式的查询指令都有用。如此就创建了一个 `SQLite` [带参数形式的查询指令][Link 5]，它有效避免了 `SQLite 注入` 的问题。

### 更新行数据内容 ###

通过使用 `execute` 方法，我们可以修改在 `SQLite` 表格中某些行数据的内容:

cur = conn.cursor()
    values = ('USA', 19847)
    cur.execute("update airlines set country=? where id=?", values)
    conn.commit()

之后，我们能验证更新的内容:

pd.read_sql_query("select * from airlines where id=19847;", conn)

### 删除某些行数据的内容 ###

最后，通过使用 `execute` 方法，我们能删除数据库中的某些行数据内容:

cur = conn.cursor()
    values = (19847, )
    cur.execute("delete from airlines where id=?", values)
    conn.commit()

之后，通过确认没有相匹配的查询内容，我们能验证这些行数据内容确实被删除了:

pd.read_sql_query("select * from airlines where id=19847;", conn)

## 创建表格 ##

我们可以通过执行一条 `SQLite` 查询指令来创建表。我们能创建一个表，它能展示每天在某一条航线上的航班，使用以下几列:

*  `id` — 整型
 *  `departure` — 日期型，表示飞机离开机场的时间
 *  `arrival` — 日期型，表示飞机到达目的地的时间
 *  `number` — 文本型，飞机航班号
 *  `route_id` — 整型，正在飞行的航线号

cur = conn.cursor()
        cur.execute("create table daily_flights (id integer, departure date, arrival date, number text, route_id integer)")
        conn.commit()

一旦我们创建了这个表，我们就能对这个表插入数据:

cur.execute("insert into daily_flights values (1, '2016-09-28 0:00', '2016-09-28 12:00', 'T1', 1)")
    conn.commit()

当我们对该表执行查询指令的时候，我们就能看到这些行数据内容:

pd.read_sql_query("select * from daily_flights;", conn)

### 使用 `pandas` 创建表 ###

`pandas` 包提供给我们一个更加快捷地创建表格的方法。我们只需要先创建一个 `DataFrame`，之后把它导出到一个 `SQL` 表格内。首先，我们将创建一个 `DataFrame`:

from datetime import datetime
    df = pd.DataFrame(
        [[1, datetime(2016, 9, 29, 0, 0) , datetime(2016, 9, 29, 12, 0), 'T1', 1]],
        columns=["id", "departure", "arrival", "number", "route_id"]
    )

之后，我们就能调用 [to\_sql][to_sql] 方法，它将 `df` 转化成一个数据库中的数据表。我们把参数 `keep_exists` 设定成 `replace`，为了删除并且替换数据库中任何已存在的 `daily_flights`:

df.to_sql("daily_flights", conn, if_exists="replace")

通过对数据库执行查询指令，我们能验证是否正常工作了:

pd.read_sql_query("select * from daily_flights;", conn)

## 使用 `Pandas` 修改数据表 ##

对于现实世界中的数据科学来说，最难处理的部分就是那些几乎经常每秒都不停变换着的数据。拿 `aireline` 这个例子来说，我们可能决定在 `airelines` 表中新增加一个 `airplanes` 的属性，它显示出每一个航空公司拥有多少架飞机。幸运的是，在 `SQLite` 中有一个方式能修改表并且添加这些列:

cur.execute("alter table airlines add column airplanes integer;")

请注意，我们不需要调用 `commit` 方法 —— `alter table` 查询指令会被立刻执行，并且不会发生在一个 `transaction` 中。现在，我们能查询并且看到这些额外的列:

pd.read_sql_query("select * from airlines limit 1;", conn)

你可能注意到了，在 `SQLite` 中所有的列都被设值成了 `null`（在 `Python` 中被转化成了 `None`），因为这些列还没有任何数值。

### 使用 `Pandas` 修改表 ###

也可以使用 `Pandas` 通过把表导出成 `DataFrame` 去修改表格的内容，仅需要对 `DataFrame` 进行修改，之后把这个 `DataFrame` 导出成一个表:

df = pd.read_sql("select * from daily_flights", conn)
    df["delay_minutes"] = None
    df.to_sql("daily_flights", conn, if_exists="replace")

以上代码将会对 `daily_flight` 表增加一个叫做 `delay_minutes` 的列项。

## 延伸阅读 ##

你现在应该对在 `SQLite` 数据库中如何使用 `Python` 和 `Pandas` 对数据操作有了一个很好的掌握和认识了。本文包含了查询数据库，更新行数据内容，插入行数据内容，删除行数据内容，创建数据表和修改数据表。这些已经覆盖了主要的 `SQL` 操作内容，这些几乎就是你的日常工作。

如果你想要深入了解，以下是一些补充资料:

*  [sqlite3 在线文档][sqlite3]
 *  [比较 `pandas` 和 `SQL`][_pandas_ _ _SQL]
 *  [在线课程 —— `Dataquest SQL`][_ _Dataquest SQL]
 *  [sqlite3 操作指南][sqlite3 1]

如果你想继续自己操作下，你能从 [这里][Link 2] 下载到博文中使用的 `flights.db` 文件。

[Udacity _100_https_cn.udacity.com_course_deep-learning-nanodegree-foundation--nd101-cn]: https://cn.udacity.com/course/deep-learning-nanodegree-foundation--nd101-cn?utm_source=juejin&utm_medium=banner&utm_campaign=dlnd
[Working with SQLite Databases using Python and Pandas]: https://link.juejin.im/?target=https%3A%2F%2Fwww.dataquest.io%2Fblog%2Fpython-pandas-databases%2F
[Vik Paruchuri]: https://link.juejin.im/?target=https%3A%2F%2Ftwitter.com%2Fvikparuchuri
[Link 1]: https://link.juejin.im/?target=https%3A%2F%2Fgithub.com%2Fxitu%2Fgold-miner
[Nicolas_Yifei_ Li]: https://link.juejin.im/?target=https%3A%2F%2Fgithub.com%2Fyifili09
[marcmoore]: https://link.juejin.im/?target=https%3A%2F%2Fgithub.com%2Fmarcmoore
[futureshine]: https://link.juejin.im/?target=https%3A%2F%2Fgithub.com%2Ffutureshine
[SQLite]: https://link.juejin.im/?target=https%3A%2F%2Fwww.sqlite.org
[pandas]: https://link.juejin.im/?target=https%3A%2F%2Fpandas.pydata.org%2F
[Link 2]: https://link.juejin.im/?target=https%3A%2F%2Fwww.dropbox.com%2Fs%2Fa2wax843eniq12g%2Fflights.db%3Fdl%3D0
[connect]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%3Fhighlight%3Dconnect%23sqlite3.connect
[Connection]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%3Fhighlight%3Dconnect%23sqlite3.Connection
[Cursor]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%23cursor-objects
[execute]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%3Fhighlight%3Dconnect%23sqlite3.Cursor.execute
[fetchall]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%3Fhighlight%3Dconnect%23sqlite3.Cursor.fetchall
[tuples]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3.5%2Ftutorial%2Fdatastructures.html%23tuples-and-sequences
[matplotlib]: https://link.juejin.im/?target=http%3A%2F%2Fmatplotlib.org%2F
[basemap]: https://link.juejin.im/?target=http%3A%2F%2Fmatplotlib.org%2Fbasemap%2F
[Image 1]: 
[Image 1 1]: https://link.juejin.im/?target=https%3A%2F%2Fcamo.githubusercontent.com%2Fc9e00cbd2a5d7b896e49b50a971e39dfd834cf4b%2F68747470733a2f2f7777772e6461746171756573742e696f2f626c6f672f696d616765732f707976697a2f6d706c6d61702e706e67
[read_sql_query]: https://link.juejin.im/?target=http%3A%2F%2Fpandas.pydata.org%2Fpandas-docs%2Fstable%2Fgenerated%2Fpandas.read_sql_query.html
[Image 1 2]: https://link.juejin.im/?target=https%3A%2F%2Fcamo.githubusercontent.com%2Ffdbfd497bc90ddb1f0f8cac4a8db0d8565e88188%2F68747470733a2f2f7777772e6461746171756573742e696f2f626c6f672f696d616765732f707976697a2f6d706c6d6170322e706e67
[Link 3]: https://link.juejin.im/?target=https%3A%2F%2Fwww.dataquest.io%2F
[transaction]: https://link.juejin.im/?target=https%3A%2F%2Fwww.sqlite.org%2Flang_transaction.html
[Link 4]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%23sqlite3-controlling-transactions
[commit]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html%23sqlite3.Connection.commit
[SQL]: https://link.juejin.im/?target=https%3A%2F%2Fen.wikipedia.org%2Fwiki%2FSQL_injection
[Link 5]: https://link.juejin.im/?target=https%3A%2F%2Fwww.sqlite.org%2Flang_expr.html
[to_sql]: https://link.juejin.im/?target=http%3A%2F%2Fpandas.pydata.org%2Fpandas-docs%2Fstable%2Fgenerated%2Fpandas.DataFrame.to_sql.html
[sqlite3]: https://link.juejin.im/?target=https%3A%2F%2Fdocs.python.org%2F3%2Flibrary%2Fsqlite3.html
[_pandas_ _ _SQL]: https://link.juejin.im/?target=http%3A%2F%2Fpandas.pydata.org%2Fpandas-docs%2Fstable%2Fcomparison_with_sql.html
[_ _Dataquest SQL]: https://link.juejin.im/?target=https%3A%2F%2Fwww.dataquest.io%2Fpath-step%2Fworking-with-data-sources
[sqlite3 1]: https://link.juejin.im/?target=http%3A%2F%2Fsebastianraschka.com%2FArticles%2F2014_sqlite_in_python_tutorial.html