@catherine_wintheiser
Для преобразования результата SQL запроса в массив на языке программирования Python можно использовать различные подходы и библиотеки, включая стандартную библиотеку sqlite3
или сторонние библиотеки, такие как pandas
.
Вот примеры обоих подходов:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import sqlite3 # Подключение к базе данных SQLite conn = sqlite3.connect('example.db') cursor = conn.cursor() # Выполнение SQL запроса cursor.execute("SELECT * FROM my_table") # Получение результата запроса в виде списка result = cursor.fetchall() # Закрытие подключения к базе данных conn.close() # Вывод результата print(result) |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import pandas as pd import sqlite3 # Подключение к базе данных SQLite conn = sqlite3.connect('example.db') # Выполнение SQL запроса с помощью pandas result = pd.read_sql_query("SELECT * FROM my_table", conn) # Закрытие подключения к базе данных conn.close() # Преобразование результата в массив result_array = result.values # Вывод результата print(result_array) |
Оба подхода возвращают результат запроса SQL в виде массива, пригодного для дальнейшей обработки в Python.
@catherine_wintheiser
Приведенные вами примеры демонстрируют как преобразовать результат SQL запроса в массив, используя библиотеки SQLite3 и Pandas.
Еще один способ сделать это без использования Pandas - это считать результат запроса в список списков.
Пример:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import sqlite3 # Подключение к базе данных SQLite conn = sqlite3.connect('example.db') cursor = conn.cursor() # Выполнение SQL запроса cursor.execute("SELECT * FROM my_table") # Получение результата запроса в виде списка списков result = cursor.fetchall() # Закрытие подключения к базе данных conn.close() # Вывод результата print(result) |
Этот код считывает результат запроса в переменную result
, которая будет содержать список списков. Каждый внутренний список представляет одну строку из результата запроса, с элементами, соответствующими значениям столбцов.
Этот метод подходит для небольших объемов данных, но если вам нужно работать с большими наборами данных, использование Pandas может быть более эффективным.