Nano Hash - криптовалюты, майнинг, программирование

Запись в базу данных SQL Server из Pandas с использованием PYODBC

Я добрался до записи в базу данных SQL Server, часть моего пути к данным, я надеюсь, что кто-то сможет помочь.

Мне удалось успешно подключиться к удаленной базе данных Microsoft SQL Server с помощью PYODBC, что позволяет мне передавать SQL-запросы в фреймы данных и создавать отчеты.

Теперь я хотел бы автоматизировать ручной метод «выбрать импорт». Я прочитал много блогов, но я не настолько мудр, чтобы понять, как все это стоит.

import pandas as pd
import pyodbc

SERVER = r'Remote SQL Server'
database = 'mydB'
username = 'datanovice'
password = 'datanovice'
cnxn = pyodbc.connect('Driver={SQL 
Server};SERVER='+server+';DATABASE='+database+';UID='+username+';PWD='+ 
password)
cursor = cnxn.cursor()

Я могу легко читать запросы, используя это, и передавать их в кадры данных.

как лучше всего записать в мой MS SQL dB? отметив, что это не локально, я рад передать это в SQL Alchemy, но я не был уверен в правильном синтаксисе.

Что следует учитывать:

  1. Это критически важная база данных, и некоторые кадры данных должны быть записаны как запросы на удаление.

  2. Если это небезопасный метод и если мне нужно вернуться и изучить больше, чтобы понять правильную методологию базы данных, я очень рад это сделать.

  3. Я не ищу кого-то, кто напишет или предоставит код для меня, а скорее направит меня в правильном направлении.

Я предполагаю, что это будет что-то вроде... но я не уверен, как указать правильную таблицу:

df.to_sql('my_df', con, chunksize=1000)
06.11.2018

  • pandas.pydata.org/pandas-docs/stable/ сгенерировано/ 06.11.2018
  • Я прочитал вышеизложенное, но мне непонятно, как создать механизм из моей алхимии PYODBC для SQL. Вы можете помочь? Затем я мог бы использовать следующие df1.to_sql('users', con=engine, if_exists='replace', ... index_label='id') p.s. люблю картинку OPM! 06.11.2018

Ответы:


1

Как видно из документации pandas вам нужно передать объект движка SQLAlchemy в качестве второго аргумента метода to_sql. Затем вы можете использовать что-то вроде

df.to_sql("table_name", engine, if_exists="replace")

документация SQLAlchemy показывает как создать объект двигателя. Если вы используете DSN ODBC, инструкция будет выглядеть примерно так:

from sqlalchemy import create_engine
# ...
engine = create_engine("mssql+pyodbc://scott:tiger@some_dsn")
06.11.2018
  • это имеет смысл, документация SQLAlchemy здесь, я иду! 06.11.2018
  • Спасибо, приятель, разобрался с подключением, пришлось использовать urrlib.parse, но я смог сделать то, что показано выше. Ура, Горд, дружище, я должен тебе кофе или два. 06.11.2018
  • Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..