在关系模型中，数据结构表示为一个二维表，一个关系就是一个二维表（但不是任意一个二维表都能表示一个关系），二维表名就是关系名。表中的第一行通常称为属性名，表中的每一个元组和属性都是不可再分的，且元组的次序是无关紧要的。

 
　　常用的关系术语如下：

 
　　记录 二维表中每一行称为一个记录，或称为一个元组。

 
　　字段 二维表中每一列称为一个字段，或称为一个属性。

 
　　域 即属性的取值范围。 

 
　　关键字 在一个关系中有这样一个或几个字段，它（们）的值可以唯一地标识一条记录，称之为关键字（Key）。例如，在学生关系中，学号就是关键字。

 
　　关系模式 对关系的描述称为关系模式，其格式为：

 
　　关系名（属性名1，属性名2，…，属性名n）

 
　　一个关系模式对应一个关系的结构，它是命名的属性集合。

关系数据库里，关系模式（模型）是型，关系是值，关系模式是对关系的描述。关系实质上是一个二维表，表中每一条记录（行）在关系模式中被称为元组，每个字段（列）被称为属性。

 前者是描述结构，后者是具体数据。严格上不能划等号。

[讨论] 什么是表/一维表/二维表,哪位给个准确的定义 [复制链接] 
 

  
 
 
  
 
   
透视表要求是一维表，
 那什么是表、一维表、二维表呢？查了一下午也没有找到准确的定义，
 把找到的内容罗列如下：
 ++++++++++++++++++++++++++++++++++++
 13.在关系数据模型中，一维表的列称为属性，二维表的行称为　　　　。
 ++++++++++++++++++++++++++++++++++++
 ++++++++++++++++++++++++++++++++++++
 系统将表定义为有关联的元素组成的一个整体。可以表示数学中的集合、向量、矩阵，也可以表示数据库中的一组记录。
 一维表的表示形式是用花括号括起来的且中间用逗号分开的若干元素。例如：
                       {1，2，100，x，y}
 表示由1，2，100，x，y这5个元素组成的一维表。
 二维表的表示形式是用花括号括起来的且中间用逗号分开的若干个一维表。例如：
 {{1，2，5}，{2，4，4}，{3，5，8，a，b}，{1，2，1，x，y}}
 均是二维表，二维表就是“表中表”。
 ++++++++++++++++++++++++++++++++++++
 
 二维表由行和列组成，一列对应于一个字段，称为属性
 ++++++++++++++++++++++++++++++++++++
 
 Q：经常看到关于一维表转为二维表、二维表转为一维列表等说法，那么，什么是“一维表”、“二维表”呢？
 A：从数据库的观点来说，一维表是最合适于透视和数据分析的数据存储结构。
 很多人容易将它与一维数组、二维数组、三维引用等等联系在一起，把“一维表”想象为只有一行或一列的表，这个想法是错误的。
 实际上，这里的“维”指的是分析数据的角度，因此，
         
 比如一个简单人事数据表如下：
 序号        姓名        年龄        博士        硕士        本科        大专及以下
 1        张三        36        √        　        　        　
 2        李四        11        　        √        　        　
 3        王老五        50        　        　        　        √
 4        肖萍儿        11        　        　        √        　
 5        李仨儿        45        　        　        √        　
 6        黄蓉        12        　        √        　        　
 7        严翠翠        33        　        　        　        √
 
 
 表中的“博士、硕士、本科、大专及以下”从数据的角度来说，应该都是“学历”范畴，是人事档案中描述的一个因素，应该使用同一个字段，因此上面的表格可以称为一个“二维表”。而下面这个形式则为一维表：
 序号        姓名        年龄        学历
 1        张三        36        博士
 2        李四        11        硕士
 3        王老五        50        大专及以下
 4        肖萍儿        11        本科
 5        李仨儿        45        本科
 6        黄蓉        12        硕士
 7        严翠翠        33        大专及以下
 
 
 ++++++++++++++++++++++++++++++++++++
 ++++++++++++++++++++++++++++++++++++
 系统将报表的数据、规则以及报表的描述相分离，提供了功能强大的报表设计工具，它可以绘制一维表、二维表、定长表、不定长表以及混合表；对大表可以折行处理，可以加多个时点值，可以绘制类似“刀形”的表格等。绘制报表时只需定义好各指标间的关系，然后用鼠标简单拖拽即可画出想要的报表。另外在报表引擎处提供了调用规则引擎来设置审核关系的功能； 
 ++++++++++++++++++++++++++++++++++++
 ++++++++++++++++++++++++++++++++++++
 这里有一个一维表，如下所示： 
 T1    W1    0 
 T1    W2    0 
 T1    W3    0 
 T2    W1    1 
 T2    W2    1 
 T3    W1    2 
 ...  ...  ... 
 这个表是动态生成的，需要转换成如下二维表： 
       T1    T2    T3    ... 
 W1    0    1    2    ... 
 W2    0    1    -1    ... 
 W3    0    -1    -1    ... 
 ...  ...  ...  ...  ... 
 主要难点是T和W的个数不确定，并且有些是没有数据的，例如T3-W2等，当没有数据时需要用-1来进行填充，求各位大虾，把这个一维表转成二维表的sql语句怎么写？谢谢！！！
 ++++++++++++++++++++++++++++++++++++
 ++++++++++++++++++++++++++++++++++++
   二维表（一维是科目，二维是数据行）
 
     1．二维表：是关系数据库中“表达关系”记录数据的基本形式。
 
     2．二维表栏目不能嵌套，（表中不能再套表了）
 ++++++++++++++++++++++++++++++++++++
 
 
 各位，给个定义吧。准确
 
 
  
 
 
 

Pandas 是 python的一个数据分析包，它提供了大量的数据模型型和函数库，对数据处理很方便。DataFrame 是一个二维表格数据结构，可以当做数据库中的一张关系表。Pandas 可以实现 SQL 中的语句，对 DataFrame  的操作相当于对二维表操作一样。
 
 

 
 
还是以股票某天的分笔记录为例。之前数据进行处理已经导入数据库。
 
 
import numpy as np
import pandas as pd
from pandas import Series, DataFrame

import tushare as ts
df = ts.get_tick_data('600543',date='2017-12-29')
 


 

 
 
当前都在命令行窗口测试。为了使数据与数据库中的一直（当前几个字段没有），进行以下处理。
 
 
#查看类型
print(type(df))

#【更新列】,替换掉无效字符
df['change'] = df['change'].replace('--', '')  

#【添加列】，所有值一样 (两种方法)
df['code'] = '600543'
df['date'] = '2017-12-29'  

df = df.assign(code= '600543', date='2017-12-29')

#【删除列】
df.pop('pchange')
del df['change']

#查看列名
list(df.columns.values)

#调整列的位置，即重新赋值(三种方法)
df = df[['code', 'date', 'time', 'price', 'change', 'volume', 'amount', 'type']]
df = df.reindex_axis([ 'code', 'date', 'time', 'price', 'change', 'volume', 'amount', 'type'], axis=1)
df = df.reindex(columns=[ 'code', 'date', 'time', 'price', 'change', 'volume', 'amount', 'type'])
 


 

 
 
基本的查询对照语句：
 
 
 
T-SQL
 
 
Pnadas 脚本
 
 
select  *from [Fenbi600543]
 
 
df
 
 
select code  from [Fenbi600543]
 
 
df.code
 
 
select code,datefrom [Fenbi600543]
 
 
df[['code', 'date']]
 
 
select  top(10)*from [Fenbi600543]
 
 
df.head(10)
 
 
select  *from [Fenbi600543]
 
where  type='买盘'
 
 
df[(df['type'] ==  '买盘')]
 
 
select  *from [Fenbi600543]
 
where volume=0
 
 
df[(df['volume']==0)]
 
 
select  *from [Fenbi600543]
 
where volume>=100
 
 
df[(df['volume']>=100)]
 
 
select  *from [Fenbi600543]
 
where volume<10
 
 
df[(df['volume']<10)]
 
 
select  *from [Fenbi600543]
 
where volume  >=100 and volume<=200
 
 
df[(df['volume']>=100)&(df['volume']<=200)]
 
 
select  *from [Fenbi600543]
 
where volume  =0 or volume>=200
 
 
df[(df['volume']==0)|(df['volume']>=200)]
 
 
select  *from [Fenbi600543]
 
where volume  in(15,25)
 
 
df[df.volume.isin([15,25])]
 
 
select  *from [Fenbi600543]
 
where volume  not in(15,25)
 
 
df[~df.volume.isin([15,25])]
 
 
select  *from [Fenbi600543]
 
 where  typelike'%中性%'
 
 
df[df['type'].str.contains("中性")]
 
 
select  *from [Fenbi600543]
 
order  by volumedesc
 
 
df.sort_values('volume', ascending=False)
 
 
select  *from [Fenbi600543]
 
order  by volumeasc,pricedesc
 
 
df.sort_values(['volume', 'price'], ascending=[True, False])
 
 
select code  as mycode,volume  as myvolume 
 
from [Fenbi600543]
 
 
df[['code', 'volume']].rename(columns={'code':'mycode', 'volume':'myvolume'})
 
 
select  distinct code,typefrom [Fenbi600543]
 
 
df[['code', 'type']].drop_duplicates()
 
 

 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
统计函数：
 
 
#每列都统计总数
df.count()

#每列平均值（只统计数值型）
df.mean()

#每列都统计汇总数（数值型则汇总，字符型则连接成一行）
df.sum()

#每列的最大值或最小值
df.max()
df.min()

#只显示一列（如 volume）的数值统计【还有 各种方差、标准差、等计算】
#更多参考 http://pandas.pydata.org/pandas-docs/stable/api.html#api-dataframe-stats
df["volume"].count()
df["volume"].mean()
df["volume"].sum()
df["volume"].max()
df["volume"].min()


#只显示一列（如 volume）的数值统计及类型
df[['volume']].apply(sum)
df[['volume']].apply(max)
df[['volume']].apply(min)


#按 type 分组，显示所有列的数值统计
df.groupby('type').count()
df.groupby('type').mean()
df.groupby('type').sum()
df.groupby('type').max()
df.groupby('type').min()

df.groupby('type')['volume','amount'].sum() #取指定列，如 'volume','amount'


#按 volume 分组，每个分组取第一行数据
df.groupby('volume').first()

#按 volume 分组，每个分组取最后一行数据
df.groupby('volume').last()

#按 type 分组，每个分组取前5行数据
df.groupby('type').head()
 

 
分组统计对比： 
 
 
 
T-SQL
 
 
Pnadas 脚本
 
 
select  count(volume),sum(volume),avg(volume)
 
,max(volume),min(volume)
 
from [Fenbi600543] 
 
 
df.agg({'volume': ['count', 'sum', 'mean', 'max', 'min']})
 
 
 
 
select  sum(volume),sum(amount)from [Fenbi600543]
 
 
df.agg({'volume': ['sum'],'amount': ['sum']})
 
 
select [type],sum(volume)from [Fenbi600543]groupby [type]
 
 
df[[ 'type','volume']].groupby('type').sum()
 
 
select [type],count(volume),sum(volume),max(volume)
 
from [Fenbi600543]  group by [type]
 
 
df.groupby(['type']).agg({'volume':['count', 'sum', 'max']})
 
 
select code,[type],count(volume),sum(volume),max(volume)
 
from [Fenbi600543] 
 
group  by code,[type]
 
 
df.groupby(['code','type']).agg({'volume':['count', 'sum', 'max']})
 
 
 
 

 
索引相关：
 
 
#查看索引（默认为递增整数序列）
df.index

#设置索引，将列转为索引（df.index 此时为时间顺序的一维数组）
df.set_index('time', inplace=True)

#此时再查询时间“time”列则报错，“time”变为索引，不存在列“time”了
df.time
df[['time', 'date']]

#恢复，将索引转为列（此时默认序列将成为索引）
df = df.reset_index() 


#或者重新添加列，使其和索引值一样。
df['time'] = df.index

#如果列已经存在，重置索引时，不需要将其转为列，而是直接删除
df = df.reset_index(drop=True)
 

 
行定位查询（如获取分页数据等） 

默认的，DataFrame 的索引为自增序列。

#取某一行记录（如第100行 index=99）
df.loc[99]
df.iloc[99]

#选择 0~2行记录，如 [0，3)
df[0:3]

#查询前10行记录
df.loc[:10]
df.iloc[:10]
df.head(10)

#查询 3 列数据
df.loc[:,['type','volume','amount']]
df[['type','volume','amount']]

#查询前 50~60 行记录,取其中3列
df.loc[50:60,['type','volume','amount']]
df.loc[50:60][['type','volume','amount']]

df.ix[50:60,[1,2]]
df.ix[50:60,['age','MonthlyIncome']]

df.ix[50:60,]
df.ix[:,['age','MonthlyIncome']]


#取第一列或第二列数据
df.iloc[:,[0]]  
df.iloc[:,[0,1]]  


 

 
更多参考: 
http://pandas.pydata.org/pandas-docs/stable/api.html#api-dataframe-stats