我找到了一个名为pandasql的包，它基于R 的 sqldf。它似乎比使用 pandas 包进行转换要慢一些，但它完成了工作。只需将 SQL 查询放入这样的字符串中：

query_string = """
    select * from df
"""

然后使用pandasql.sqldf包中的字符串，如下：

new_dataframe = pandasql.sqldf(query_string, globals())

选择 globals() 或 locals()，具体取决于您希望变量的范围。

正如我提到的，它似乎有点慢，但我找不到其他任何东西。我可能会不时使用它，直到我对 Pandas 变得更好。

肖恩

根据我的经验，您几乎可以在 sql 中使用 pandas 完成所有可以完成的事情。我还没有看到熊猫的最新版本，但我记得 sql 更好，因为使用熊猫你受限于内存大小。如果内存填满，您可能会崩溃，这是使用 sql 命令不会发生的事情。您可以将 pandas 数据框保存在一个文件中，并使用您的 sqlcsv操作该文件。这个链接和这里也可以帮助你。此外，对于将文件导入sql，您还没有指定您拥有的 sql，但此链接可能会对您有所帮助。其他 sql 也提供此行为。csvcsv

实际上有一个名为 dataframe_sql 的新包可以满足您的需求。它与 Pandasql 的不同之处在于它直接将 sql 转换为 pandas 方法，从而消除了该包导致的减速。如果您想了解有关安装或其工作原理的信息，可以在此处查看

您可以对 Google BigQuery SQL 使用以下选项：

import pandas as pd
from google.cloud import bigquery

selectQuery = """SELECT * FROM mydataset.mytable"""
bigqueryClient = bigquery.Client()
df = bigqueryClient.query(selectQuery).to_dataframe()
print(df)