🥇डेटा वैज्ञानिक के नोट्स: डेटा क्वेरी भाषाओं की व्यक्तिगत समीक्षा

मैं आपको व्यक्तिगत अनुभव से बता रहा हूं कि क्या कहां और कब उपयोगी था। यह एक सिंहावलोकन और थीसिस है, जिससे यह स्पष्ट हो जाता है कि आप आगे क्या और कहां खोद सकते हैं - लेकिन यहां मेरे पास विशेष रूप से व्यक्तिपरक व्यक्तिगत अनुभव है, शायद आपके लिए सब कुछ पूरी तरह से अलग है।

क्वेरी भाषाओं को जानना और उनका उपयोग करने में सक्षम होना क्यों महत्वपूर्ण है? इसके मूल में, डेटा साइंस में काम के कई महत्वपूर्ण चरण हैं, और सबसे पहला और सबसे महत्वपूर्ण (इसके बिना, निश्चित रूप से कुछ भी काम नहीं करेगा!) डेटा प्राप्त करना या निकालना है। अक्सर, डेटा किसी न किसी रूप में कहीं पड़ा होता है और उसे वहां से "पुनर्प्राप्त" करने की आवश्यकता होती है।

क्वेरी भाषाएँ आपको यही डेटा निकालने की अनुमति देती हैं! और आज मैं आपको उन क्वेरी भाषाओं के बारे में बताऊंगा जो मेरे लिए उपयोगी रही हैं और मैं आपको बताऊंगा और दिखाऊंगा कि वास्तव में कहां और कैसे - अध्ययन करने की आवश्यकता क्यों है।

डेटा क्वेरी प्रकारों के तीन मुख्य ब्लॉक होंगे, जिन पर हम इस लेख में चर्चा करेंगे:

"मानक" क्वेरी भाषाएँ वे हैं जो किसी क्वेरी भाषा, जैसे संबंधपरक बीजगणित या SQL, के बारे में बात करते समय आमतौर पर समझी जाती हैं।
स्क्रिप्टिंग क्वेरी भाषाएँ: उदाहरण के लिए, पायथन थिंग्स पांडा, नम्पी या शेल स्क्रिप्टिंग।
ज्ञान ग्राफ़ और ग्राफ़ डेटाबेस के लिए क्वेरी भाषाएँ।

यहां लिखी गई हर चीज़ सिर्फ एक व्यक्तिगत अनुभव है, जो उपयोगी था, स्थितियों का विवरण और "इसकी आवश्यकता क्यों थी" के साथ - हर कोई यह कोशिश कर सकता है कि इसी तरह की परिस्थितियां आपके सामने कैसे आ सकती हैं और इन भाषाओं को समझकर उनके लिए पहले से तैयारी करने का प्रयास करें। इससे पहले कि आपको किसी प्रोजेक्ट पर (तत्काल) आवेदन करना पड़े या किसी ऐसे प्रोजेक्ट पर जाना पड़े जहां उनकी जरूरत हो।

"मानक" क्वेरी भाषाएँ

मानक क्वेरी भाषाएँ ठीक इसी अर्थ में हैं कि जब हम प्रश्नों के बारे में बात करते हैं तो हम आमतौर पर उनके बारे में सोचते हैं।

संबंधपरक बीजगणित

आज संबंधपरक बीजगणित की आवश्यकता क्यों है? क्वेरी भाषाओं को एक निश्चित तरीके से क्यों संरचित किया जाता है और उन्हें सचेत रूप से उपयोग करने की अच्छी समझ रखने के लिए, आपको उनके अंतर्निहित मूल को समझने की आवश्यकता है।

संबंधपरक बीजगणित क्या है?

औपचारिक परिभाषा इस प्रकार है: संबंधपरक बीजगणित एक संबंधपरक डेटा मॉडल में संबंधों पर संचालन की एक बंद प्रणाली है। इसे थोड़ा और मानवीय रूप से कहें तो, यह तालिकाओं पर संचालन की एक प्रणाली है जैसे कि परिणाम हमेशा एक तालिका होती है।

इसमें सभी रिलेशनल ऑपरेशन देखें यह हैबर का लेख - यहां हम बताते हैं कि आपको यह जानने की आवश्यकता क्यों है और यह कहां काम आता है।

क्यों?

यह समझना शुरू करना कि क्वेरी भाषाएँ क्या हैं और विशिष्ट क्वेरी भाषाओं में अभिव्यक्तियों के पीछे कौन से ऑपरेशन हैं, अक्सर क्वेरी भाषाओं में क्या और कैसे काम करता है, इसकी गहरी समझ मिलती है।

से लिया गया यह लेख. ऑपरेशन का एक उदाहरण: ज्वाइन, जो तालिकाओं को जोड़ता है।

अध्ययन के लिए सामग्री:

स्टैनफोर्ड से अच्छा परिचयात्मक पाठ्यक्रम. सामान्य तौर पर, संबंधपरक बीजगणित और सिद्धांत पर बहुत सारी सामग्रियां हैं - कौरसेरा, उडासिटी। ऑनलाइन सामग्री भी भारी मात्रा में मौजूद है, जिसमें अच्छी सामग्री भी शामिल है शैक्षणिक पाठ्यक्रम. मेरी व्यक्तिगत सलाह: आपको संबंधपरक बीजगणित को अच्छी तरह से समझने की आवश्यकता है - यही बुनियादी बातों का आधार है।

एसक्यूएल

से लिया गया यह लेख।

एसक्यूएल अनिवार्य रूप से संबंधपरक बीजगणित का कार्यान्वयन है - एक महत्वपूर्ण चेतावनी के साथ, एसक्यूएल घोषणात्मक है! अर्थात्, संबंधपरक बीजगणित की भाषा में एक प्रश्न लिखते समय, आप वास्तव में कहते हैं कि गणना कैसे करें - लेकिन SQL के साथ आप निर्दिष्ट करते हैं कि आप क्या निकालना चाहते हैं, और फिर DBMS पहले से ही संबंधपरक बीजगणित की भाषा में (प्रभावी) अभिव्यक्ति उत्पन्न करता है (उनके समतुल्यता को हम इस रूप में जानते हैं कॉड का प्रमेय).

से लिया गया यह लेख।

क्यों?

रिलेशनल डीबीएमएस: ओरेकल, पोस्टग्रेस, एसक्यूएल सर्वर इत्यादि अभी भी वस्तुतः हर जगह हैं और इस बात की अविश्वसनीय रूप से उच्च संभावना है कि आपको उनके साथ बातचीत करनी होगी, जिसका अर्थ है कि आपको या तो एसक्यूएल पढ़ना होगा (जो बहुत संभव है) या इसे लिखना होगा ( असंभावित भी नहीं)।

क्या पढ़ना है और क्या पढ़ना है

उपरोक्त समान लिंक के अनुसार (संबंधपरक बीजगणित के बारे में), अविश्वसनीय मात्रा में सामग्री है, उदाहरण के लिए, यह.

वैसे, NoSQL क्या है?

"एक बार फिर इस बात पर ज़ोर देना ज़रूरी है कि "NoSQL" शब्द की उत्पत्ति बिल्कुल सहज है और इसके पीछे कोई आम तौर पर स्वीकृत परिभाषा या वैज्ञानिक संस्था नहीं है।" संगत लेख हैबर पर।

वास्तव में, लोगों ने महसूस किया कि कई समस्याओं को हल करने के लिए एक पूर्ण संबंधपरक मॉडल की आवश्यकता नहीं है, खासकर उन लोगों के लिए जहां, उदाहरण के लिए, प्रदर्शन महत्वपूर्ण है और एकत्रीकरण के साथ कुछ सरल प्रश्न हावी हैं - जहां मैट्रिक्स की तुरंत गणना करना और उन्हें लिखना महत्वपूर्ण है डेटाबेस, और अधिकांश विशेषताएँ संबंधपरक हैं जो न केवल अनावश्यक हैं, बल्कि हानिकारक भी हैं - किसी चीज़ को सामान्य क्यों करें यदि यह हमारे लिए सबसे महत्वपूर्ण चीज़ (किसी विशिष्ट कार्य के लिए) - उत्पादकता को खराब कर देगी?

इसके अलावा, शास्त्रीय रिलेशनल मॉडल के निश्चित गणितीय स्कीमा के बजाय लचीले स्कीमा की अक्सर आवश्यकता होती है - और यह अविश्वसनीय रूप से एप्लिकेशन विकास को सरल बनाता है जब सिस्टम को तैनात करना और परिणामों को संसाधित करना, जल्दी से काम करना शुरू करना महत्वपूर्ण होता है - या स्कीमा और संग्रहीत डेटा के प्रकार इतने महत्वपूर्ण नहीं हैं.

उदाहरण के लिए, हम एक विशेषज्ञ प्रणाली बना रहे हैं और कुछ मेटा जानकारी के साथ एक विशिष्ट डोमेन पर जानकारी संग्रहीत करना चाहते हैं - हम सभी क्षेत्रों को नहीं जानते हैं और बस प्रत्येक रिकॉर्ड के लिए JSON संग्रहीत करते हैं - यह हमें डेटा के विस्तार के लिए एक बहुत ही लचीला वातावरण देता है मॉडल और त्वरित पुनरावृत्ति - तो इस मामले में, NoSQL और भी बेहतर और अधिक पठनीय होगा। उदाहरण प्रविष्टि (मेरे एक प्रोजेक्ट से जहां NoSQL ठीक वहीं था जहां इसकी आवश्यकता थी)।

{"en_wikipedia_url":"https://en.wikipedia.org/wiki/Johnny_Cash",
"ru_wikipedia_url":"https://ru.wikipedia.org/wiki/?curid=301643",
"ru_wiki_pagecount":149616,
"entity":[42775,"Джонни Кэш","ru"],
"en_wiki_pagecount":2338861}

आप और अधिक पढ़ सकते हैं यहां NoSQL के बारे में

क्या पढना है?

यहां, बल्कि, आपको बस अपने कार्य का पूरी तरह से विश्लेषण करने की आवश्यकता है, इसमें क्या गुण हैं और कौन से NoSQL सिस्टम उपलब्ध हैं जो इस विवरण में फिट होंगे - और फिर इस प्रणाली का अध्ययन करना शुरू करें।

स्क्रिप्टिंग क्वेरी भाषाएँ

सबसे पहले, ऐसा लगता है कि पायथन का इससे क्या लेना-देना है - यह एक प्रोग्रामिंग भाषा है, और प्रश्नों के बारे में बिल्कुल नहीं।

पांडा वस्तुतः डेटा साइंस का स्विस आर्मी चाकू है; इसमें भारी मात्रा में डेटा परिवर्तन, एकत्रीकरण आदि होता है।
नम्पी - वेक्टर गणना, मैट्रिक्स और रैखिक बीजगणित।
स्काइपी - इस पैकेज में बहुत सारा गणित है, विशेषकर आँकड़े।
ज्यूपिटर लैब - बहुत सारे खोजपूर्ण डेटा विश्लेषण लैपटॉप में अच्छी तरह से फिट होते हैं - जानना उपयोगी है।
अनुरोध - नेटवर्क के साथ काम करना।
पाइस्पार्क डेटा इंजीनियरों के बीच बहुत लोकप्रिय है, संभवतः उनकी लोकप्रियता के कारण आपको इसके या स्पार्क के साथ बातचीत करनी होगी।
*सेलेनियम - साइटों और संसाधनों से डेटा एकत्र करने के लिए बहुत उपयोगी है, कभी-कभी डेटा प्राप्त करने का कोई अन्य तरीका नहीं होता है।

मेरी मुख्य सलाह: पायथन सीखें!

पांडा

आइए निम्नलिखित कोड को एक उदाहरण के रूप में लें:

import pandas as pd
df = pd.read_csv(“data/dataset.csv”)
# Calculate and rename aggregations
all_together = (df[df[‘trip_type’] == “return”]
    .groupby(['start_station_name','end_station_name'])
                  	    .agg({'trip_duration_seconds': [np.size, np.mean, np.min, np.max]})
                           .rename(columns={'size': 'num_trips', 
           'mean': 'avg_duration_seconds',    
           'amin': min_duration_seconds', 
           ‘amax': 'max_duration_seconds'}))

मूलतः, हम देखते हैं कि कोड क्लासिक SQL पैटर्न में फिट बैठता है।

SELECT start_station_name, end_station_name, count(trip_duration_seconds) as size, …..
FROM dataset
WHERE trip_type = ‘return’
GROUPBY start_station_name, end_station_name

लेकिन महत्वपूर्ण बात यह है कि यह कोड स्क्रिप्ट और पाइपलाइन का हिस्सा है; वास्तव में, हम पायथन पाइपलाइन में प्रश्नों को एम्बेड कर रहे हैं। इस स्थिति में, क्वेरी भाषा हमारे पास पंडों या पायस्पार्क जैसे पुस्तकालयों से आती है।

सामान्य तौर पर, पाइस्पार्क में हम क्वेरी भाषा के माध्यम से एक समान प्रकार का डेटा परिवर्तन देखते हैं:

df.filter(df.trip_type = “return”)
  .groupby(“day”)
  .agg({duration: 'mean'})
  .sort()

कहाँ और क्या पढ़ना है

सामान्य तौर पर पायथन पर ही कोई बात नहीं अध्ययन के लिए सामग्री ढूंढें. ऑनलाइन बड़ी संख्या में ट्यूटोरियल मौजूद हैं पांडा, pySpark और पाठ्यक्रम चालू स्पार्क (और अपने आप से भी DS). कुल मिलाकर, यहां की सामग्री गूगलिंग के लिए बहुत अच्छी है, और अगर मुझे ध्यान केंद्रित करने के लिए एक पैकेज चुनना हो, तो वह निश्चित रूप से पांडा होगा। डीएस+पायथन सामग्रियों के संयोजन के संबंध में भी बहुत ज्यादा.

एक क्वेरी भाषा के रूप में शैल

कुछ डेटा प्रोसेसिंग और विश्लेषण परियोजनाएं जिनके साथ मैंने काम किया है, वास्तव में, शेल स्क्रिप्ट हैं जो पायथन, जावा और शेल कमांड में कोड को कॉल करती हैं। इसलिए, सामान्य तौर पर, आप bash/zsh/etc में पाइपलाइनों को किसी प्रकार के उच्च-स्तरीय अनुरोध के रूप में मान सकते हैं (बेशक, आप वहां सामान लूप कर सकते हैं, लेकिन यह शेल भाषाओं में डीएस कोड के लिए विशिष्ट नहीं है), आइए देते हैं एक सरल उदाहरण - मुझे विकिडेटा की क्यूआईडी मैपिंग और रूसी और अंग्रेजी विकी के पूर्ण लिंक करने की आवश्यकता थी, इसके लिए मैंने बैश में कमांड से एक सरल अनुरोध लिखा और आउटपुट के लिए मैंने पायथन में एक सरल स्क्रिप्ट लिखी, जिसे मैंने इस तरह एक साथ रखें:

pv “data/latest-all.json.gz” | 
unpigz -c  | 
jq --stream $JQ_QUERY | 
python3 scripts/post_process.py "output.csv"

जहां

JQ_QUERY = 'select((.[0][1] == "sitelinks" and (.[0][2]=="enwiki" or .[0][2] =="ruwiki") and .[0][3] =="title") or .[0][1] == "id")'

वास्तव में, यह पूरी पाइपलाइन थी जिसने आवश्यक मैपिंग बनाई; जैसा कि हम देखते हैं, सब कुछ स्ट्रीम मोड में काम करता था:

पीवी फ़ाइलपथ - फ़ाइल आकार के आधार पर एक प्रगति पट्टी देता है और इसकी सामग्री को आगे बढ़ाता है
unpigz -c ने संग्रह का हिस्सा पढ़ा और इसे jq को दे दिया
कुंजी के साथ jq - स्ट्रीम ने तुरंत परिणाम तैयार किया और इसे पायथन में पोस्टप्रोसेसर (पहले उदाहरण के समान) को भेज दिया
आंतरिक रूप से, पोस्टप्रोसेसर एक साधारण राज्य मशीन थी जो आउटपुट को स्वरूपित करती थी

कुल मिलाकर, एक जटिल पाइपलाइन बड़े डेटा (0.5TB) पर प्रवाह मोड में काम करती है, बिना महत्वपूर्ण संसाधनों के और एक साधारण पाइपलाइन और कुछ उपकरणों से बनाई गई है।

एक और महत्वपूर्ण युक्ति: टर्मिनल में अच्छी तरह से और प्रभावी ढंग से काम करने में सक्षम होना और bash/zsh/etc लिखना।

कहां काम आएगा? हाँ, लगभग हर जगह - फिर भी, इंटरनेट पर अध्ययन के लिए बहुत सारी सामग्रियाँ हैं। विशेष रूप से, यहाँ यह मेरा पिछला लेख.

आर स्क्रिप्टिंग

फिर से, पाठक कह सकता है - ठीक है, यह एक संपूर्ण प्रोग्रामिंग भाषा है! और निःसंदेह, वह सही होगा। हालाँकि, मेरा आम तौर पर ऐसे संदर्भ में सामना हुआ, जो वास्तव में, एक क्वेरी भाषा के समान था।

आर स्थैतिक कंप्यूटिंग और विज़ुअलाइज़ेशन के लिए एक सांख्यिकीय कंप्यूटिंग वातावरण और भाषा है (के अनुसार)। यह).

बरामद अत:. वैसे, मैं इसकी अनुशंसा करता हूं, अच्छी सामग्री।

एक डेटा वैज्ञानिक को R जानने की आवश्यकता क्यों है? कम से कम, क्योंकि आर में डेटा का विश्लेषण करने वाले गैर-आईटी लोगों की एक बड़ी परत है। मुझे यह निम्नलिखित स्थानों पर मिला:

फार्मास्युटिकल क्षेत्र.
जीवविज्ञानी।
वित्तीय क्षेत्र।
विशुद्ध रूप से गणितीय शिक्षा वाले लोग जो आँकड़ों से निपटते हैं।
विशिष्ट सांख्यिकीय मॉडल और मशीन लर्निंग मॉडल (जो अक्सर केवल लेखक के संस्करण में आर पैकेज के रूप में पाए जा सकते हैं)।

यह वास्तव में एक क्वेरी भाषा क्यों है? जिस रूप में यह अक्सर पाया जाता है, यह वास्तव में एक मॉडल बनाने का अनुरोध है, जिसमें डेटा पढ़ना और क्वेरी (मॉडल) पैरामीटर को ठीक करना, साथ ही ggplot2 जैसे पैकेजों में डेटा को विज़ुअलाइज़ करना शामिल है - यह भी क्वेरी लिखने का एक रूप है .

विज़ुअलाइज़ेशन के लिए उदाहरण प्रश्न

ggplot(data = beav, 
       aes(x = id, y = temp, 
           group = activ, color = activ)) +
  geom_line() + 
  geom_point() +
  scale_color_manual(values = c("red", "blue"))

सामान्य तौर पर, आर से कई विचार डेटाफ्रेम और डेटा वेक्टराइजेशन जैसे पांडा, नम्पी या स्काइपी जैसे पायथन पैकेज में स्थानांतरित हो गए हैं - इसलिए सामान्य तौर पर आर में बहुत सी चीजें आपको परिचित और सुविधाजनक लगेंगी।

अध्ययन के लिए कई स्रोत हैं, उदाहरण के लिए, यह.

ज्ञान रेखांकन

यहां मुझे थोड़ा असामान्य अनुभव हुआ, क्योंकि मुझे अक्सर ग्राफ़ के लिए ज्ञान ग्राफ़ और क्वेरी भाषाओं के साथ काम करना पड़ता है। इसलिए, आइए संक्षेप में बुनियादी बातों पर गौर करें, क्योंकि यह हिस्सा थोड़ा अधिक आकर्षक है।

शास्त्रीय संबंधपरक डेटाबेस में हमारे पास एक निश्चित स्कीमा है, लेकिन यहां स्कीमा लचीला है, प्रत्येक विधेय वास्तव में एक "कॉलम" है और इससे भी अधिक।

कल्पना करें कि आप किसी व्यक्ति का मॉडलिंग कर रहे थे और प्रमुख चीजों का वर्णन करना चाहते थे, उदाहरण के लिए, आइए एक विशिष्ट व्यक्ति डगलस एडम्स को लें और इस विवरण को आधार के रूप में उपयोग करें।

www.wikidata.org/wiki/Q42

यदि हम एक संबंधपरक डेटाबेस का उपयोग करते हैं, तो हमें बड़ी संख्या में स्तंभों के साथ एक विशाल तालिका या तालिकाएँ बनानी होंगी, जिनमें से अधिकांश NULL होंगी या कुछ डिफ़ॉल्ट गलत मान से भरी होंगी, उदाहरण के लिए, यह संभावना नहीं है कि हममें से कई लोगों के पास एक कोरियाई राष्ट्रीय पुस्तकालय में प्रवेश - बेशक, हम उन्हें अलग-अलग तालिकाओं में रख सकते हैं, लेकिन यह अंततः एक निश्चित संबंधपरक का उपयोग करके विधेय के साथ एक लचीले तार्किक सर्किट को मॉडल करने का एक प्रयास होगा।

तो कल्पना करें कि सभी डेटा को एक ग्राफ़ के रूप में या बाइनरी और यूनरी बूलियन अभिव्यक्तियों के रूप में संग्रहीत किया जाता है।

आप इसका सामना कहां कर सकते हैं? सबसे पहले, साथ काम करना डेटा विकि, और किसी ग्राफ़ डेटाबेस या कनेक्टेड डेटा के साथ।

निम्नलिखित मुख्य क्वेरी भाषाएँ हैं जिनका मैंने उपयोग किया है और जिनके साथ काम किया है।

स्पार्कली

विकी:
स्पार्कल (पुनरावर्ती परिवर्णी शब्द से अभियांत्रिकी. SPARQL प्रोटोकॉल और RDF क्वेरी भाषा) - डेटा क्वेरी भाषा, मॉडल द्वारा दर्शाया गया है RDFऔर प्रोटोकॉल इन अनुरोधों को प्रसारित करने और उनका जवाब देने के लिए। SPARQL एक अनुशंसा है W3C कंसोर्टियम और प्रौद्योगिकियों में से एक सेमांटिक वेब.

लेकिन वास्तव में यह तार्किक यूनरी और बाइनरी विधेय के लिए एक क्वेरी भाषा है। आप बस सशर्त रूप से निर्दिष्ट कर रहे हैं कि बूलियन अभिव्यक्ति में क्या तय है और क्या नहीं (बहुत सरलीकृत)।

आरडीएफ (संसाधन विवरण फ्रेमवर्क) आधार स्वयं, जिस पर SPARQL क्वेरी निष्पादित की जाती है, एक ट्रिपल है object, predicate, subject - और क्वेरी भावना में निर्दिष्ट प्रतिबंधों के अनुसार आवश्यक त्रिगुणों का चयन करती है: एक एक्स ढूंढें जैसे कि p_55(X, q_33) सत्य है - जहां, निश्चित रूप से, p_55 आईडी 55 के साथ किसी प्रकार का संबंध है, और q_33 एक है आईडी 33 के साथ वस्तु (यहां और पूरी कहानी, फिर से सभी प्रकार के विवरणों को छोड़कर)।

डेटा प्रस्तुति का उदाहरण:

यहां देशों के साथ चित्र और उदाहरण अत:.

मूल क्वेरी उदाहरण

वास्तव में, हम विधेय के लिए ?देश चर का मान ज्ञात करना चाहते हैं
member_of, यह सच है कि member_of(?country,q458) और q458 यूरोपीय संघ की आईडी है।

पायथन इंजन के अंदर वास्तविक SPARQL क्वेरी का एक उदाहरण:

आमतौर पर, मुझे SPARQL को लिखने के बजाय पढ़ना पड़ता है - उस स्थिति में, यह समझने के लिए कि डेटा कैसे पुनर्प्राप्त किया जाता है, कम से कम बुनियादी स्तर पर भाषा को समझना एक उपयोगी कौशल होगा।

ऑनलाइन अध्ययन करने के लिए बहुत सारी सामग्री है: उदाहरण के लिए, यहाँ यह и यह. मैं आमतौर पर विशिष्ट डिज़ाइन और उदाहरणों को गूगल पर खोजता हूं और अभी के लिए इतना ही काफी है।

तार्किक क्वेरी भाषाएँ

आप मेरे लेख में इस विषय पर अधिक पढ़ सकते हैं यहां. और यहां, हम केवल संक्षेप में जांच करेंगे कि तार्किक भाषाएं प्रश्न लिखने के लिए उपयुक्त क्यों हैं। अनिवार्य रूप से, आरडीएफ फॉर्म पी (एक्स) और एच (एक्स, वाई) के तार्किक कथनों का एक सेट है, और एक तार्किक क्वेरी में निम्नलिखित फॉर्म होता है:

output(X) :- country(X), member_of(X,“EU”).

यहां हम एक नया विधेय आउटपुट/1 (/1 का अर्थ यूनरी) बनाने के बारे में बात कर रहे हैं, बशर्ते कि एक्स के लिए यह सच है कि देश (एक्स) - यानी, एक्स एक देश है और सदस्य_ऑफ (एक्स, "ईयू") भी है।

अर्थात्, इस मामले में, डेटा और नियम दोनों एक ही तरीके से प्रस्तुत किए जाते हैं, जिससे समस्याओं को बहुत आसानी से और अच्छी तरह से मॉडल करना संभव हो जाता है।

इंडस्ट्री में आपकी मुलाकात कहां हुई?: एक कंपनी के साथ एक पूरी बड़ी परियोजना जो ऐसी भाषा में प्रश्न लिखती है, साथ ही सिस्टम के मूल में वर्तमान परियोजना पर - ऐसा लगता है कि यह एक विदेशी चीज़ है, लेकिन कभी-कभी ऐसा होता है।

तार्किक भाषा प्रसंस्करण विकिडेटा में कोड खंड का एक उदाहरण:

सामग्री: मैं यहां आधुनिक तार्किक प्रोग्रामिंग भाषा उत्तर सेट प्रोग्रामिंग के कुछ लिंक दूंगा - मैं इसका अध्ययन करने की सलाह देता हूं:

स्रोत: www.habr.com

डेटा वैज्ञानिक के नोट्स: डेटा क्वेरी भाषाओं की एक वैयक्तिकृत समीक्षा