Sakila Database Project

**!!REMEMBER!!** **SELECT * | col 1,col 2,.. col n** **FROM Table_name** **WHERE conditions** **GROUP BY col 1, col 2,...** **HAVING conditions** **ORDER BY col 1, col 2,...** **LIMIT n;**

#Importer les dépendances

# Se Connecter à la BDD Sakila
#TBD

# définir la fct sql_to_pandas

def sql_to_df(sql_query):

    # Use pandas to pass sql query using connection form SQLite3
    df = pd.read_sql(sql_query, con)

    # Show the resulting DataFrame
    return df

**1-** * Afficher les 5 premiers Records de la table Actor

query = #TBD

# Grab from first two columns
sql_to_df(query).head()

	first_name	last_name
0	PENELOPE	GUINESS
1	NICK	WAHLBERG
2	ED	CHASE
3	JENNIFER	DAVIS
4	JOHNNY	LOLLOBRIGIDA

**2-** * Récupérer dans une colonne Actor_Name le full_name des acteurs sous le format: first_name + " " + last_name

query =#TBD

sql_to_df(query).head()

	Actor_Name
0	PENELOPE GUINESS
1	NICK WAHLBERG
2	ED CHASE
3	JENNIFER DAVIS
4	JOHNNY LOLLOBRIGIDA

**3-** * Récupérer dans une colonne Actor_Name le full_name des acteurs sous le format: first_name en minuscule + "." + last_name en majuscule

SQL Syntaxes

SELECT

CONCAT(lower(first_name), '.', UPPER(last_name)) AS 'Actor Name'

FROM

actor;

query =#TBD

sql_to_df(query).head()

	Actor_Name
0	penelope.GUINESS
1	nick.WAHLBERG
2	ed.CHASE
3	jennifer.DAVIS
4	johnny.LOLLOBRIGIDA

**4-** * Récupérer dans une colonne Actor_Name le full_name des acteurs sous le format: last_name en majuscule + "." + premiere lettre du first_name en majuscule

query =#TBD

sql_to_df(query).head()

	Actor_Name
0	GUINESS.P
1	WAHLBERG.N
2	CHASE.E
3	DAVIS.J
4	LOLLOBRIGIDA.J

**5-** * Trouver le ou les acteurs appelé(s) "JENNIFER"

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name
0	4	JENNIFER	DAVIS

**6-** * Trouver les acteurs ayant des prénoms de 3 charactères.

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name
0	9	JOE	SWANK
1	13	UMA	WOOD
2	18	DAN	TORN
3	19	BOB	FAWCETT
4	26	RIP	CRAWFORD

**7-** * Afficher les acteurs (actor_id, first_name, last_name, nbre char first_name, nbre char last_name )par ordre décroissant de longueur de prénoms

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name	length(first_name)	length(last_name)
0	91	CHRISTOPHER	BERRY	11	5
1	163	CHRISTOPHER	WEST	11	4
2	10	CHRISTIAN	GABLE	9	5
3	58	CHRISTIAN	AKROYD	9	6
4	61	CHRISTIAN	NEESON	9	6

**8-** * Afficher les acteurs (actor_id, first_name, last_name, nbre char first_name, nbre char last_name )par ordre décroissant de longueur de prénoms et croissant de longuer de noms

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name	length(first_name)	length(last_name)
0	163	CHRISTOPHER	WEST	11	4
1	91	CHRISTOPHER	BERRY	11	5
2	109	SYLVESTER	DERN	9	4
3	10	CHRISTIAN	GABLE	9	5
4	58	CHRISTIAN	AKROYD	9	6

**9-** * Trouver les acteurs ayant dans leurs last_names la chaine: "SON

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name
0	6	BETTE	NICHOLSON
1	8	MATTHEW	JOHANSSON
2	61	CHRISTIAN	NEESON
3	62	JAYNE	NEESON
4	64	RAY	JOHANSSON

**10-** * Trouver les acteurs ayant des last_names commençant par la chaine: "JOH"

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name
0	8	MATTHEW	JOHANSSON
1	64	RAY	JOHANSSON
2	146	ALBERT	JOHANSSON

**11-** * Afficher par ordre alphabétique croissant les last_names et les first_names des acteurs ayant dans leurs last_names la chaine "LI"

query =#TBD

sql_to_df(query).head()

	actor_id	first_name	last_name
0	86	GREG	CHAPLIN
1	82	WOODY	JOLIE
2	34	AUDREY	OLIVIER
3	15	CUBA	OLIVIER
4	172	GROUCHO	WILLIAMS

**12-** * Trouver dans la table country les countries "China", "Afghanistan", "Bangladesh"

query =#TBD

sql_to_df(query).head()

	country_id	country
0	1	Afghanistan
1	12	Bangladesh
2	23	China

**13-** * Trouver le nombre des acteurs ayant le meme last_name * Afficher le resultat par ordre décroissant

query =#TBD

sql_to_df(query).head()

	last_name	Num Actors with Last Name
0	KILMER	5
1	NOLTE	4
2	TEMPLE	4
3	AKROYD	3
4	ALLEN	3

**14-** * Trouver le nombre des acteurs ayant le meme last_name * Afficher UNIQUEMENT les last_names communs à au moins 3 acteurs * Afficher par ordre alph. croissant

query =#TBD

sql_to_df(query).head()

	last_name	Num Actors
0	AKROYD	3
1	ALLEN	3
2	BERRY	3
3	DAVIS	3
4	DEGENERES	3

**15-** * Trouver le nombre des acteurs ayant le meme first_name Afficher le resultat par ordre alph. croissant

query =#TBD

sql_to_df(query).head()

	first_name	Num Actors with Last Name
0	ADAM	2
1	AL	1
2	ALAN	1
3	ALBERT	2
4	ALEC	1

**16-** * Corriger le first_name de l'acteur HARPO WILLIAMS qui était accidentellement inséré à GROUCHO WILLIAMS

query =#TBD

query ="""
    SELECT * FROM actor 
    where last_name = 'WILLIAMS';"""

sql_to_df(query).head()

	actor_id	first_name	last_name	last_update
0	72	SEAN	WILLIAMS	2011-09-14 18:05:30
1	137	MORGAN	WILLIAMS	2011-09-14 18:05:31
2	172	GROUCHO	WILLIAMS	2011-09-14 18:05:32

**17-** * Trouver les first_names,last names et l'adresse de chacun des membre staff RQ: utiliser join avec les tables staff & address:

query =#TBD

sql_to_df(query).head()

	first_name	last_name	address
0	Mike	Hillyer	23 Workhaven Lane
1	Jon	Stephens	1411 Lillydale Drive

**18-** * Afficher pour chaque membre du staff ,le total de ses salaires depuis Aout 2005. RQ: Utiliser les tables staff & payment.

query =#TBD

sql_to_df(query).head()

	staff_id	first_name	last_name	Total Purchases
0	1	Mike	Hillyer	33489.47
1	2	Jon	Stephens	33927.04

**19-** * Afficher pour chaque film ,le nombre de ses acteurs

query =#TBD

sql_to_df(query).head()

	title	Num Actors
0	ACADEMY DINOSAUR	10
1	ACE GOLDFINGER	4
2	ADAPTATION HOLES	5
3	AFFAIR PREJUDICE	5
4	AFRICAN EGG	5

**20-** * Trouver le film intitulé "HUNCHBACK IMPOSSIBLE"

query =#TBD

sql_to_df(query).head()

	film_id
0	439

**21-** * Combien de copies exist t il dans le systme d'inventaire pour le film Hunchback Impossible

query =#TBD

sql_to_df(query).head()

	Num Copies
0	6

**22-** * Afficher les titres des films en anglais commençant par 'K' ou 'Q'

query =#TBD

sql_to_df(query).head()

	title	language_id
0	KANE EXORCIST	1
1	KARATE MOON	1
2	KENTUCKIAN GIANT	1
3	KICK SAVANNAH	1
4	KILL BROTHERHOOD	1

Bonus

* Afficher les first et last names des acteurs qui ont participé au film intitulé 'ACADEMY DINOSAUR'

query =#TBD

sql_to_df(query).head()

	first_name	last_name
0	PENELOPE	GUINESS
1	CHRISTIAN	GABLE
2	LUCILLE	TRACY
3	SANDRA	PECK
4	JOHNNY	CAGE

* Trouver la liste des film catégorisés comme family films.

query =#TBD

sql_to_df(query).head()

	title
0	AFRICAN EGG
1	APACHE DIVINE
2	ATLANTIS CAUSE
3	BAKED CLEOPATRA
4	BANG KWAI

* Afficher le top 5 des films les plus loués par ordre decroissant

query =#TBD

sql_to_df(query).head()

	title	Num Rentals
0	MOB DUFFEL	16049
1	HUNCHBACK IMPOSSIBLE	16048
2	ILLUSION AMELIE	16047
3	VOYAGE LEGALLY	16046
4	COMANCHEROS ENEMY	16045

* Afficher le chiffre d'affaire par store. RQ: le chiffre d'affaire = somme (amount)

query =#TBD

sql_to_df(query).head()

	store_id	Total Amount ($)
0	1	33489.47
1	2	33927.04

* Lister par ordre décroissant le top 5 des catégories ayant le plus des revenues. RQ utiliser les tables : category, film_category, inventory, payment, et rental.

query =#TBD

sql_to_df(query).head()

	Category Name	Revenue
0	Sports	5314.21
1	Sci-Fi	4756.98
2	Animation	4656.30
3	Drama	4587.39
4	Comedy	4383.58

Nanterre p10 - Dev Data

Sakila Database Project

Bonus

Bon travail!