SQL 的后计算脚本( 二 )

具体 SQL 如下：

本文插图
这段 SQL 并不算很长，但嵌套了四层，所用技巧古怪难懂，一般人很难想出这样的代码。
用 JAVA 实现时，就可以回归自然思路：

本文插图
后面那段代码就是前面讲述的思路，只要一层循环就可以完成了。
然而，我们也发现， Java 写出的这段代码，虽然思路简单，难度不大，但显然代码很冗长。
这个问题的复杂度并不高，还没涉及到常见的分组、连接等结构化数据计算，否则代码量将更为惊人，限于篇幅，就不再用 JAVA 举例了。
在多样性数据、优化性能、处理大数据等高级功能方面， JAVA 的特点同样是“能实现，但太繁琐” ，这里也不再赘述。
JAVA 是个优秀的企业级通用语言，但通用的另一层意思往往是不专业，换句话说， JAVA 缺乏专业的结构化计算类库，代码冗长繁琐，算不上理想的 SQL 后计算脚本。
Python pandas
Python 有简捷的语法，还拥有众多的第三方函数库，其中就有服务于结构化计算的 Pandas 。也正因为如此， Pandas 常被用作 SQL 的后计算脚本。
作为结构化计算函数库， Pandas 简化 SQL 复杂运算的能力要比 JAVA 强很多。
比如，同样的有序运算 “求最长连续上涨天数” ， Pandas 代码是这样的：

本文插图
上述代码中， Pandas 提供了用于结构化计算的数据结构 dataFrame ，这种数据结构天然带序号，在有序运算中可以简化代码，比 JAVA 更容易进行跨行取数。此外， Pandas 对 SQL 取数的封装也很紧凑，比 JAVA 代码更加简短。
再比如集合计算例子：一行拆分为多行。库表 tb 有 2 个字段，其中 ANOMALIES 存储以空格为分隔符的字符串，需将 ANOMALIES 按空格拆分，使每个 ID 字段对应一个成员。
处理前的数据

本文插图
处理后的数据：

本文插图
Pandas 核心代码如下（省略数据库输入输出，下同）：

本文插图
上述代码中， Pandas 用集合函数将字符串直接拆分为 dataFrame ，再用集合函数将多个 dataFrame 直接合并，代码非常简练。 JAVA 虽然可以实现类似的功能，但都要手工实现，代码要繁琐得多。
作为结构化计算函数库， Pandas 代码的确比 JAVA 简练，但这仅限于复杂度有限的情况下，如果复杂度进一步提高， Pandas 代码也会变得冗长难懂。
比如这个涉及集合计算 + 有序计算的例子：连续值班情况。库表 duty 记录着每日值班情况，一个人通常会持续值班几个工作日，之后再换人，现在请根据 duty 依次计算出每个人连续的值班情况。数据结构示意如下：
处理前（duty）

本文插图
处理后

本文插图
核心的 pandas 代码如下：