### 使用Python构建基于本地文件统计数据的数据库 对于创建一个基于本地文件统计数据的数据库，SQLite是一个轻量级的选择，适合嵌入到应用程序中而不需单独安装服务器软件。SQLite支持大多数标准SQL语法，并且其整个数据库存储在一个单一的磁盘文件中[^4]。 #### 创建和连接SQLite数据库 首先需要导入`sqlite3`模块来操作SQLite数据库： ```python import sqlite3 ``` 建立一个新的数据库连接对象，如果指定路径下的.db文件不存在，则会自动创建新的数据库文件；如果已经存在则直接打开它： ```python conn = sqlite3.connect('example.db') ``` #### 设计表结构并初始化表格 定义好要统计的数据应该保存在哪张表里及其字段信息之后，就可以执行相应的CREATE TABLE命令了。这里假设有一个CSV文件包含了时间戳、温度读数两列数据，那么可以这样创建一张用于接收这些记录的新表： ```sql c = conn.cursor() c.execute('''CREATE TABLE IF NOT EXISTS temperature_data ( id INTEGER PRIMARY KEY AUTOINCREMENT, timestamp TEXT NOT NULL, temp REAL)''') ``` #### 导入外部文件中的数据至数据库 当有了上述准备好的目标表后，下一步就是把来自其他地方（例如CSV或其他格式文本文件）的信息加载进来。下面给出了一段示范性的代码片段用来说明如何实现这一点： ```python import csv with open('data.csv', 'r') as f: reader = csv.DictReader(f) to_db = [(i['timestamp'], i['temp']) for i in reader] c.executemany("INSERT INTO temperature_data (timestamp, temp) VALUES (?, ?);", to_db) conn.commit() # 提交更改 ``` 这段代码先是以字典形式逐行解析输入源里的每一项内容，再将其构造成适配于批量插入语句参数列表的形式最后一次性提交给数据库引擎去处理。 #### 执行聚合查询以获得统计数据 一旦所有的原始观测值都被成功录入到了关系型持久化层内以后，便可以通过编写各种类型的SELECT查询来进行进一步加工转换工作了。比如求平均气温或是找出最高最低温对应的日期等都是很常见的需求实例之一: ```sql # 计算每日平均温度 query_daily_avg_temp = """ WITH daily_temps AS ( SELECT date(timestamp) AS day, AVG(temp) AS avg_temp FROM temperature_data GROUP BY day ) SELECT * FROM daily_temps; """ for row in c.execute(query_daily_avg_temp): print(row) # 获取最热一天的具体情况 hottest_day_query = "SELECT MAX(temp), timestamp FROM temperature_data WHERE temp=(SELECT MAX(temp) FROM temperature_data)" result = c.execute(hottest_day_query).fetchone() print(result) ``` 以上过程展示了怎样利用Python配合SQLite轻松搭建起一套简易却实用的小规模数据分析平台框架。