Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Enregistrer les résultats des requêtes SQL dans un pandas DataFrame Vous pouvez stocker les résultats de votre requête SQL dans un Pandas DataFrame. Le moyen le plus simple d'afficher les résultats d'une requête vers a DataFrame est d'utiliser la liste déroulante des [Fonctionnalités de l'éditeur SQL de l'extension JupyterLab SQL](sagemaker-sql-extension-features-editor.md) résultats de la requête et de choisir l'option ** Pandas dataframe. ** Vous pouvez également ajouter le paramètre `--output '{"format": "DATAFRAME", "dataframe_name": "{{dataframe_name}}"}'` à votre chaîne de connexion. Par exemple, la requête suivante extrait les détails des clients ayant le solde le plus élevé de la table `Customer` de la base de données `TPCH_SF1` de Snowflake, en utilisant à la fois pandas et SQL : + Dans cet exemple, nous extrayons toutes les données de la table des clients et les enregistrons ensuite dans un fichier DataFrame nommé`all_customer_data`. ``` %%sm_sql --output '{"format": "DATAFRAME", "dataframe_name": "all_customer_data"}' --metastore-id {{snowflake-connection-name}} --metastore-type GLUE_CONNECTION SELECT * FROM SNOWFLAKE_SAMPLE_DATA.TPCH_SF1.CUSTOMER ``` ``` Saved results to all_customer_data ``` + Ensuite, nous extrayons les détails du solde de compte le plus élevé du DataFrame. ``` all_customer_data.loc[all_customer_data['C_ACCTBAL'].idxmax()].values ``` ``` array([61453, 'Customer#000061453', 'RxNgWcyl5RZD4qOYnyT3', 15, '25-819-925-1077', Decimal('9999.99'), 'BUILDING','es. carefully regular requests among the blithely pending requests boost slyly alo'], dtype=object) ```