Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Sie können die Ergebnisse Ihrer SQL-Abfrage in einem Pandas DataFrame speichern. Der einfachste Weg, Abfrageergebnisse in a auszugeben, DataFrame besteht darin, das Funktionen der SQL-Erweiterung im JupyterLab SQL-Editor Drop-down-Menü für Abfrageergebnisse zu verwenden und die Pandas-Datenrahmenoption auszuwählen.
Alternativ können Sie den Parameter zu Ihrer Verbindungszeichenfolge hinzufügen. --output '{"format": "DATAFRAME",
"dataframe_name": "dataframe_name"}'
Mit der folgenden Abfrage werden beispielsweise Details zu Kunden mit dem höchsten Saldo aus der Customer Tabelle in der TPCH_SF1 Snowflake-Datenbank extrahiert, wobei beide verwendet werden pandas und SQL:
-
In diesem Beispiel extrahieren wir alle Daten aus der Kundentabelle und speichern sie in einer DataFrame benannten Tabelle
all_customer_data.%%sm_sql --output '{"format": "DATAFRAME", "dataframe_name": "all_customer_data"}' --metastore-idsnowflake-connection-name--metastore-type GLUE_CONNECTION SELECT * FROM SNOWFLAKE_SAMPLE_DATA.TPCH_SF1.CUSTOMERSaved results to all_customer_data -
Als Nächstes extrahieren wir die Details des höchsten Kontostands aus dem DataFrame.
all_customer_data.loc[all_customer_data['C_ACCTBAL'].idxmax()].valuesarray([61453, 'Customer#000061453', 'RxNgWcyl5RZD4qOYnyT3', 15, '25-819-925-1077', Decimal('9999.99'), 'BUILDING','es. carefully regular requests among the blithely pending requests boost slyly alo'], dtype=object)
