数据库两列数据相互替换

工作中碰见一个问题
就是把name列的值全部替换成project的值,开始思路
UPDATE student SET NAME=project,project=NAME WHERE id IN(1,2,3,4,5)
然而并没有成功出现了如图,只是把name列换成了project。第一张是原始数据,第二张是我执行完我开始思路的数据。
在这里插入图片描述
SELECT * FROM student

在这里插入图片描述

最后在网上查了一下
这么写可以实现

UPDATE student AS a, student AS b SET a.name=b.project, a.project=b.name WHERE a.id=b.id AND a.id IN(1,2,3);

### 使用 Pandas 进行数据分析的实训作业指导 在 Python 数据分析领域,Pandas 是一种功能强大的工具库,用于数据清洗、转换和聚合等操作。以下是基于头歌平台或其他类似环境下的综合训练项目的具体指导。 #### 1. **数据加载** 首先需要掌握如何从不同文件格式(如 CSV 或 Excel 文件)中读取数据并将其存储到 DataFrame 中。 ```python import pandas as pd # 加载CSV文件中的数据 data = pd.read_csv('data.csv') # 查看前几行数据以了解其结构 print(data.head()) ``` 上述代码展示了如何利用 `pd.read_csv` 函数来导入外部数据源,并通过 `.head()` 方法快速查看数据概览[^1]。 #### 2. **数据清理** 数据质量直接影响最终可视化的准确性。常见的数据清理任务包括缺失值处理、重复记录删除以及异常值检测。 ```python # 缺失值统计 missing_values = data.isnull().sum() print(missing_values) # 删除含有任何NA/NaN的行 clean_data = data.dropna() # 替换特定列中的缺失值为均值 mean_value = data['column_name'].mean() data['column_name'].fillna(mean_value, inplace=True) ``` 此部分强调了使用 Pandas 提供的功能来进行基本的数据预处理工作流程[^2]。 #### 3. **数据转换与特征工程** 对原始数据进行必要的计算或重组可以揭示隐藏的信息模式或者简化后续建模过程。 ```python # 创建新列表示现有两列的比例关系 data['ratio'] = data['value_column_a'] / data['value_column_b'] # 转置DataFrame使得每一列表示一个样本实例 transposed_df = data.T ``` 特征工程阶段可能涉及多种复杂变换逻辑,在此仅列举简单算术运算作为例子[^3]。 #### 4. **数据聚合与分组** 当面对大量观测点时,通常希望按某些维度汇总统计数据指标。 ```python grouped_by_category = data.groupby(['category']) summary_stats = grouped_by_category.mean() ``` 利用 groupby 可实现多级索引基础上的各种统计摘要生成。 #### 5. **保存结果** 完成所有必要修改之后,记得把更新后的表格导出至本地磁盘上便于分享给他人审阅。 ```python processed_data.to_csv('output_file_path', index=False) ``` 设置参数 `index=False` 确保不会额外增加无意义编号字段。 --- ### 结论 上述内容概述了一个典型基于 Pandas 的数据分析项目的主要步骤。每一步都紧密围绕着提高数据质量和增强表达力展开讨论。值得注意的是,这些技能并非孤立存在而是相互关联共同作用于整个生命周期之中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值