pandas.read_sql_queryだけじゃない！Pythonデータベース連携の代替手法を比較

pandas.read_sql_query は、Python のデータ分析ライブラリである pandas が提供する関数の一つで、データベースから SQL クエリを実行してデータを取得し、それを pandas の DataFrame として読み込むために使用されます。

この関数は、主に以下の2つの引数を必要とします。

1. sql: 実行したい SQL クエリ文字列です。例えば、"SELECT * FROM my_table" のように記述します。
2. con: データベースへの接続オブジェクトです。これは通常、sqlite3.connect(), sqlalchemy.create_engine() などで作成されたデータベース接続を表すオブジェクトです。

基本的な使用例

import pandas as pd
import sqlite3

# 1. データベースへの接続を確立する
# ここでは例としてSQLiteを使用しています。
con = sqlite3.connect('my_database.db')

# 2. データベース内にテーブルを作成し、データを挿入する（初回のみ）
# 実際には既にデータがあるデータベースに接続することが多いでしょう。
try:
    con.execute("CREATE TABLE IF NOT EXISTS users (id INTEGER PRIMARY KEY, name TEXT, age INTEGER)")
    con.execute("INSERT INTO users (name, age) VALUES ('Alice', 30)")
    con.execute("INSERT INTO users (name, age) VALUES ('Bob', 24)")
    con.execute("INSERT INTO users (name, age) VALUES ('Charlie', 35)")
    con.commit() # 変更をコミット
except sqlite3.Error as e:
    print(f"データベース操作エラー: {e}")

# 3. SQL クエリを実行してデータを DataFrame として読み込む
sql_query = "SELECT name, age FROM users WHERE age > 25"
df = pd.read_sql_query(sql_query, con)

# 4. 読み込んだ DataFrame を表示する
print(df)

# 5. データベース接続を閉じる
con.close()

上記のコードを実行すると、age が25より大きいユーザーの name と age が取得され、以下のような DataFrame が表示されます。

      name  age
0    Alice   30
1  Charlie   35

read_sql_query の利点と特徴

• メモリ効率: 大量のデータを扱う場合でも、DataFrame として効率的にメモリに読み込むことができます。
• 柔軟な接続オプション: sqlite3, psycopg2 (PostgreSQL), pymysql (MySQL) などの様々なデータベースドライバや、SQLAlchemy などの ORM (Object-Relational Mapper) を介して多様なデータベースに接続できます。
• DataFrame への自動変換: クエリの結果が直接 pandas の DataFrame に変換されるため、その後のデータ分析が非常にスムーズに行えます。
• SQL クエリの直接実行: SQL の知識があれば、複雑なデータ選択や結合も直接クエリとして記述できます。

read_sql_query と read_sql_table / read_sql との違い

pandas には他にもデータベースからデータを読み込む関数として read_sql_table や read_sql がありますが、それぞれ用途が異なります。

• read_sql(sql, con):
  • これは read_sql_query と read_sql_table の上位互換のような関数です。
  • sql 引数にクエリ文字列を指定すれば read_sql_query と同じ動作をし、テーブル名を指定すれば read_sql_table のように動作します。通常、read_sql を使うことが推奨されます。
• read_sql_table(table_name, con):
  • データベース内の特定のテーブル全体を読み込みます。
  • SQLAlchemy のエンジンオブジェクトが必要です。
• read_sql_query(sql, con):
  • SQL クエリを指定してデータを取得します。最も柔軟性が高いです。
  • 特定のカラムだけを選んだり、条件で絞り込んだり、複数のテーブルを結合したりする際に使用します。

---

pandas.read_sql_query を使用する際に遭遇する可能性のある主なエラーは、大きく分けて以下のカテゴリに分類できます。

1. データベース接続エラー
2. SQLクエリの構文エラー
3. データ型に関する問題
4. エンコーディング（文字コード）の問題
5. パフォーマンス・リソース関連の問題

それぞれについて詳しく見ていきましょう。

データベース接続エラー

最も一般的なエラーの一つです。Pythonからデータベースに接続できない場合に発生します。

よくあるエラーメッセージの例

• pymysql.err.OperationalError: (2003, "Can't connect to MySQL server on 'localhost' (10061)")
• psycopg2.OperationalError: could not connect to server: Connection refused
• sqlite3.OperationalError: unable to open database file
• sqlalchemy.exc.OperationalError

原因とトラブルシューティング

• 必要なデータベースドライバがインストールされていない
  
  • 確認
    使用しているデータベースに対応するPythonドライバ（例: psycopg2 for PostgreSQL, pymysql for MySQL, sqlite3 for SQLiteはPython標準ライブラリ）がインストールされているか確認してください。また、SQLAlchemyを使用している場合は、sqlalchemy も必要です。
  • 解決策
    pip install <ドライバ名> でインストールしてください（例: pip install psycopg2-binary）。
• ファイアウォールによるブロック
  
  • 確認
    データベースサーバーやクライアント側のファイアウォールが、データベース接続のポートをブロックしていないか確認してください。
  • 解決策
    必要なポート（例: PostgreSQLの5432, MySQLの3306）を開放するように設定してください。
• 認証情報（ユーザー名、パスワード）が間違っている
  
  • 確認
    データベースに接続するためのユーザー名とパスワードが正しいか確認してください。大文字・小文字も区別されます。
  • 解決策
    正しい認証情報を入力してください。
• ホスト名、ポート番号、データベース名が間違っている
  
  • 確認
    接続文字列や接続オブジェクトで指定しているホスト名、ポート番号、データベース名が正しいか再確認してください。特に、デフォルト以外のポートを使用している場合は注意が必要です。
  • 解決策
    正しい接続情報を設定してください。
• データベースサーバーが起動していない
  
  • 確認
    データベースサーバー（MySQL, PostgreSQL, SQL Serverなど）が実際に起動しているか確認してください。コマンドラインやサービスマネージャーで状態を確認できます。
  • 解決策
    サーバーを起動してください。

SQLクエリの構文エラー

read_sql_query に渡す SQL クエリ自体に誤りがある場合に発生します。これはデータベースエンジン側でエラーとして返されます。

よくあるエラーメッセージの例

• pymysql.err.ProgrammingError: (1064, "You have an error in your SQL syntax...")
• psycopg2.errors.SyntaxError: syntax error at or near "..."
• sqlite3.OperationalError: near "..." syntax error
• pandas.errors.DatabaseError: Execution failed on sql '...'

原因とトラブルシューティング

• パラメータの渡し方
  
  • 確認
    SQLクエリにパラメータを渡す際に、各データベースドライバがサポートするプレースホルダ形式（例: ? for SQLite, %s for Psycopg2, :{name} for SQLAlchemyのtext()オブジェクト）を使用しているか確認してください。f-stringなどで直接値を埋め込むとSQLインジェクションのリスクがあるため、params 引数を使用することが推奨されます。
  • 解決策
    pd.read_sql_query(sql, con, params={'key': value}) のように、params 引数を使って安全にパラメータを渡してください。
• 存在しないテーブル名やカラム名
  
  • 確認
    クエリ内で参照しているテーブル名やカラム名が、実際にデータベースに存在するか、スペルミスがないか確認してください。大文字・小文字を区別するデータベースもあります（PostgreSQLはデフォルトで区別、MySQLは設定による）。
  • 解決策
    データベースのスキーマを確認し、正しい名前を使用してください。
• SQL構文の誤り
  
  • 確認
    SQLクエリ文字列に、キーワードのスペルミス、句読点の欠落（カンマなど）、不正な結合条件、予約語の使用（テーブル名やカラム名がデータベースの予約語と衝突する場合）などがないか確認してください。
  • 解決策
    クエリを小規模にしてテストしたり、データベースクライアント（DBeaver, pgAdmin, MySQL Workbenchなど）で直接実行して、エラーが発生するかどうかを確認してください。エラーメッセージに示されている「near "..."」の部分に注目すると、問題箇所を特定しやすくなります。

データ型に関する問題

データベースから取得したデータが、pandas の DataFrame に変換される際に予期しないデータ型になったり、変換エラーが発生したりする場合があります。

よくある問題の例

• TypeError や ValueError (特に日付解析時)。
• 数値データが object 型（文字列）として読み込まれる、または float 型になる（整数が欠損値を含む場合に float になるなど）。
• 日付/時刻データが文字列として読み込まれる。

原因とトラブルシューティング

• 不適切なデータ型指定
  
  • 確認
    dtype 引数で明示的にデータ型を指定している場合、それがデータベースから返されるデータと一致しているか確認してください。
  • 解決策
    データベースのスキーマと照らし合わせて、適切な dtype を指定してください。
• 欠損値によるデータ型変更
  
  • 確認
    整数型として期待するカラムに NULL 値が含まれている場合、pandas はデフォルトでそのカラムを float64 型に変換します。これは、NaN (Not a Number) が浮動小数点数として扱われるためです。
  • 解決策
    
    • 欠損値を許容し、float 型のままで分析を進める。
    • pandas 1.0以降であれば、nullable integer Dtype (Int64) を使用して欠損値を含む整数を扱うことができます。

      df = pd.read_sql_query("SELECT * FROM numbers", con, dtype={'integer_column': 'Int64'})
      

    • 必要であれば、後から fillna() で欠損値を埋めるなどの処理を行う。
• 日付/時刻型の認識不足
  
  • 確認
    データベース上の日付/時刻型のカラムが、pandas で datetime64[ns] 型として正しく認識されているか確認してください。
  • 解決策
    read_sql_query の parse_dates 引数を使用して、日付として解析したいカラム名を指定します。

    df = pd.read_sql_query("SELECT * FROM events", con, parse_dates=['event_date', 'start_time'])
    

エンコーディング（文字コード）の問題

よくあるエラーメッセージの例

• データフレーム内で文字化けが発生する。
• UnicodeDecodeError: 'utf-8' codec can't decode byte 0xXX in position Y: invalid start byte

原因とトラブルシューティング

• データベースのエンコーディングと接続のエンコーディングの不一致
  
  • 確認
    データベースが使用している文字コード（例: UTF-8, SJIS, EUC-JP）と、Pythonのデータベース接続ドライバが使用している文字コードが一致しているか確認してください。
  • 解決策
    
    • 接続文字列や接続オブジェクトを作成する際に、明示的に charset や encoding パラメータを指定します。多くのデータベースドライバはUTF-8を推奨していますが、データベースの既存設定に合わせる必要があります。
    • 例 (PyMySQLの場合): pymysql.connect(charset='utf8mb4')
    • 例 (SQLAlchemyの場合): create_engine('postgresql://user:pass@host/dbname?client_encoding=utf8')
    • データベースのデフォルトエンコーディングをUTF-8に設定することを検討してください。

パフォーマンス・リソース関連の問題

大量のデータを読み込む際に、メモリ不足や処理速度の低下が発生することがあります。

よくある問題の例

• データベースサーバーが高負荷になる。
• 処理が非常に遅い。
• MemoryError

原因とトラブルシューティング

• データベースサーバーのリソース不足
  
  • 確認
    データベースサーバーのCPU、メモリ、ディスクI/Oが限界に達していませんか？
  • 解決策
    データベースサーバーのリソースを増強するか、データベースのチューニングを検討します。
• 非効率なSQLクエリ
  
  • 確認
    WHERE 句の条件にインデックスが貼られていないカラムを使用していたり、複雑な結合を行っていたりしませんか？
  • 解決策
    
    • データベースの実行計画（EXPLAIN ANALYZE など）を確認し、ボトルネックとなっている部分を特定します。
    • インデックスを適切に設定する。
    • クエリを最適化する。
• 全件取得によるメモリ枯渇
  
  • 確認
    SELECT * FROM large_table のように、巨大なテーブルから全件を読み込もうとしていませんか？
  • 解決策
    
    • 必要なカラムのみ取得
      SELECT column1, column2 FROM large_table のように、必要なカラムだけをSELECT句で指定します。
    • 条件で絞り込む
      WHERE 句を使って、取得する行数を減らします。
    • chunksize 引数の使用
      read_sql_query に chunksize 引数を指定すると、データをチャンク（塊）に分割して読み込むことができます。これにより、メモリ使用量を抑えながら大量のデータを処理できますが、返り値がイテレータになるため、その後の処理方法が変わります。

      for chunk_df in pd.read_sql_query(sql_query, con, chunksize=10000):
          # 各チャンク（DataFrame）に対して処理を行う
          print(f"読み込んだチャンクの行数: {len(chunk_df)}")
      

NotImplementedError: This method is not implemented for SQLAlchemy 2.0 (または類似)

• 解決策
  
  • read_sql_query を直接使用する
    read_sql ではなく read_sql_query を使うことで解決する場合があります。
  • SQLAlchemyのバージョンを確認
    古いバージョンのpandasで新しいSQLAlchemyを使用している、またはその逆の場合に発生することがあります。互換性のあるバージョンを使用するか、公式ドキュメントを確認して適切な対処法を探してください。
  • DBドライバのアップデート/ダウングレード
    使用しているデータベースドライバのバージョンが原因である可能性もあります。
• 原因
  特定のデータベースドライバやSQLAlchemyのバージョンが、pandas.read_sql (または read_sql_query) の内部実装と互換性がない場合に発生することがあります。特に、read_sql_table を使用しようとした際に、SQLiteのような一部のバックエンドで実装されていないことがあります。

• 公式ドキュメントを参照する
  pandasの公式ドキュメント (pd.read_sql_query のページ) や、使用しているデータベースドライバのドキュメントには、詳細な情報やトラブルシューティングのヒントが記載されています。
• 最小限のコードで再現する
  問題が発生している箇所を特定するために、できるだけシンプルなコードでエラーを再現しようと試みてください。
• SQLクエリを単体でテストする
  read_sql_query に渡すSQLクエリを、Pythonのコードとは別に、データベースクライアント（SQLコマンドプロンプトやGUIツール）で直接実行してみてください。これでエラーが発生する場合は、SQLクエリ自体に問題があります。
• エラーメッセージをよく読む
  ほとんどのエラーメッセージは、何が問題なのか、どこで問題が発生したのかを示唆しています。特に"near ... syntax error"のような部分は非常に役立ちます。

---

pandas.read_sql_query は、SQLクエリを実行してデータベースからデータを取得し、DataFrameとして読み込むための非常に便利な関数です。ここでは、一般的な使用例から少し応用的な例までを紹介します。

準備

これらの例を実行するには、pandas と、データベース接続用のライブラリが必要です。ここでは、Pythonの標準ライブラリである sqlite3 を使用します。

まず、サンプルデータを格納するためのSQLiteデータベースを作成します。

import pandas as pd
import sqlite3

# SQLiteデータベースへの接続を作成（ファイルが存在しない場合は新規作成される）
con = sqlite3.connect('example.db')

# テーブルが存在しない場合は作成し、サンプルデータを挿入
try:
    con.execute("""
        CREATE TABLE IF NOT EXISTS employees (
            id INTEGER PRIMARY KEY,
            name TEXT NOT NULL,
            department TEXT,
            salary INTEGER,
            hire_date TEXT
        )
    """)
    con.execute("""
        INSERT INTO employees (name, department, salary, hire_date) VALUES
        ('山田太郎', '開発部', 500000, '2020-04-01'),
        ('佐藤花子', '営業部', 450000, '2021-07-15'),
        ('田中一郎', '開発部', 520000, '2019-11-20'),
        ('鈴木恵子', '人事部', 480000, '2022-01-10'),
        ('高橋健太', '営業部', 470000, '2020-09-01'),
        ('中村美咲', '開発部', 550000, '2018-03-25');
    """)
    con.commit() # 変更をコミット
    print("データベースとテーブルの準備が完了しました。")
except sqlite3.Error as e:
    print(f"データベースの準備中にエラーが発生しました: {e}")

# 接続を一旦閉じる（後の例で再度開く）
con.close()

例1: シンプルな全件取得

最も基本的な使い方です。特定のテーブルから全ての行とカラムを取得します。

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db') # データベースに接続

# SQLクエリを定義
sql_query = "SELECT * FROM employees"

# クエリを実行し、DataFrameとして読み込む
df_all = pd.read_sql_query(sql_query, con)

print("--- 例1: 全件取得 ---")
print(df_all)

con.close() # データベース接続を閉じる

出力例

--- 例1: 全件取得 ---
   id    name department  salary   hire_date
0   1  山田太郎        開発部  500000  2020-04-01
1   2  佐藤花子        営業部  450000  2021-07-15
2   3  田中一郎        開発部  520000  2019-11-20
3   4  鈴木恵子        人事部  480000  2022-01-10
4   5  高橋健太        営業部  470000  2020-09-01
5   6  中村美咲        開発部  550000  2018-03-25

例2: 特定のカラムと条件指定

WHERE 句を使って行を絞り込み、特定のカラムのみを選択します。

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')

# 開発部の社員の名前と給与を取得するクエリ
sql_query = "SELECT name, salary FROM employees WHERE department = '開発部'"

df_dev = pd.read_sql_query(sql_query, con)

print("\n--- 例2: 特定のカラムと条件指定 ---")
print(df_dev)

con.close()

出力例

--- 例2: 特定のカラムと条件指定 ---
     name  salary
0  山田太郎  500000
1  田中一郎  520000
2  中村美咲  550000

例3: パラメータの利用 (SQLインジェクション対策)

SQLクエリに直接値を埋め込むのではなく、params 引数を使用してパラメータを安全に渡します。これはSQLインジェクション攻撃を防ぐための重要なプラクティスです。

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')

# 部署名で絞り込むクエリ（プレースホルダを使用）
# SQLiteでは "?"、psycopg2 (PostgreSQL) では "%s"、pymysql (MySQL) では "%s" または "%(key)s" が一般的
sql_query = "SELECT name, salary FROM employees WHERE department = ?"
department_name = '営業部'

# params引数にタプルまたは辞書でパラメータを渡す
df_sales = pd.read_sql_query(sql_query, con, params=(department_name,))

print("\n--- 例3: パラメータの利用 ---")
print(df_sales)

con.close()

出力例

--- 例3: パラメータの利用 ---
     name  salary
0  佐藤花子  450000
1  高橋健太  470000

例4: 日付型データのパース

データベースから取得した日付文字列を、pandas の datetime 型として自動的に解析するように指定します。parse_dates 引数を使用します。

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')

# 全社員データを取得するクエリ
sql_query = "SELECT name, hire_date FROM employees"

# hire_date カラムを日付型として解析
df_dates = pd.read_sql_query(sql_query, con, parse_dates=['hire_date'])

print("\n--- 例4: 日付型データのパース ---")
print(df_dates)
print("\n'hire_date' カラムのデータ型:", df_dates['hire_date'].dtype)

con.close()

出力例

--- 例4: 日付型データのパース ---
     name  hire_date
0  山田太郎 2020-04-01
1  佐藤花子 2021-07-15
2  田中一郎 2019-11-20
3  鈴木恵子 2022-01-10
4  高橋健太 2020-09-01
5  中村美咲 2018-03-25

'hire_date' カラムのデータ型: datetime64[ns]

datetime64[ns] と表示されていることから、正しく日付型として読み込まれていることがわかります。

例5: chunksize を使用した大量データの処理

非常に大きなテーブルからデータを読み込む場合、一度に全てをメモリにロードすると MemoryError が発生する可能性があります。chunksize 引数を使うと、データを小さな塊（チャンク）に分けて読み込むことができます。これはイテレータを返します。

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')

# 大量データを想定したクエリ（ここでは上記と同じテーブルを使用）
sql_query = "SELECT id, name, salary FROM employees"

print("\n--- 例5: chunksize を使用した大量データの処理 ---")
total_rows_processed = 0

# chunksize=2 で2行ずつ読み込む例
for chunk_df in pd.read_sql_query(sql_query, con, chunksize=2):
    print(f"\n--- チャンク（{len(chunk_df)}行）を処理中 ---")
    print(chunk_df)
    total_rows_processed += len(chunk_df)

print(f"\n合計 {total_rows_processed} 行を処理しました。")

con.close()

出力例

--- 例5: chunksize を使用した大量データの処理 ---

--- チャンク（2行）を処理中 ---
   id    name  salary
0   1  山田太郎  500000
1   2  佐藤花子  450000

--- チャンク（2行）を処理中 ---
   id    name  salary
0   3  田中一郎  520000
1   4  鈴木恵子  480000

--- チャンク（2行）を処理中 ---
   id    name  salary
0   5  高橋健太  470000
1   6  中村美咲  550000

合計 6 行を処理しました。

chunksize を使うと、各チャンクに対して個別にデータ処理（例: 集計、ファイル書き込みなど）を行うことができ、メモリフットプリントを抑えられます。

例6: 複数のテーブルの結合

SQLの JOIN 句を使って、複数のテーブルを結合した結果をDataFrameとして取得することも可能です。

準備（新しいテーブルの作成）

import sqlite3
con = sqlite3.connect('example.db')

try:
    con.execute("""
        CREATE TABLE IF NOT EXISTS departments (
            dept_id INTEGER PRIMARY KEY,
            dept_name TEXT NOT NULL,
            location TEXT
        )
    """)
    con.execute("""
        INSERT INTO departments (dept_id, dept_name, location) VALUES
        (1, '開発部', '東京'),
        (2, '営業部', '大阪'),
        (3, '人事部', '東京');
    """)
    con.commit()
    print("departments テーブルの準備が完了しました。")
except sqlite3.Error as e:
    print(f"departments テーブルの準備中にエラーが発生しました: {e}")
con.close()

結合クエリの実行

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')

# employees と departments テーブルを department 名で結合
sql_query = """
SELECT
    e.name,
    e.salary,
    d.dept_name,
    d.location
FROM
    employees AS e
JOIN
    departments AS d ON e.department = d.dept_name
WHERE
    e.salary > 500000
"""

df_joined = pd.read_sql_query(sql_query, con)

print("\n--- 例6: 複数のテーブルの結合 ---")
print(df_joined)

con.close()

出力例

--- 例6: 複数のテーブルの結合 ---
     name  salary dept_name location
0  田中一郎  520000      開発部       東京
1  中村美咲  550000      開発部       東京

これらの例は、pandas.read_sql_query の基本的な使い方と、いくつかの応用例を示しています。実際のプロジェクトでは、さらに複雑なSQLクエリや、異なるデータベースシステム（PostgreSQL, MySQLなど）への接続が必要になることもありますが、基本的な考え方はこれらの例と共通しています。

---

pandas.read_sql_table() の利用

read_sql_query がSQLクエリを直接実行するのに対し、read_sql_table() はデータベース内の特定のテーブル全体をDataFrameとして読み込む際に使います。これは、SQLAlchemyのエンジンオブジェクトとテーブル名が必要です。

主な特徴

• 用途
  テーブル全体をそのまま分析対象としたい場合。
• 欠点
  SQLAlchemyのエンジンが必要（より高度なデータベース接続の設定が必要になる場合がある）。特定のカラムだけを選んだり、条件で絞り込んだり、結合したりするような複雑な操作はできません。
• 利点
  シンプルにテーブル全体を読み込みたい場合に便利です。SQLクエリを書く必要がありません。

簡単な例

import pandas as pd
from sqlalchemy import create_engine
import sqlite3 # 例のためにSQLiteを使用

# SQLiteデータベースファイルの作成 (もし存在しなければ)
conn = sqlite3.connect('example.db')
conn.execute("""
    CREATE TABLE IF NOT EXISTS products (
        id INTEGER PRIMARY KEY,
        name TEXT,
        price REAL
    )
""")
conn.execute("INSERT INTO products (name, price) VALUES ('りんご', 150.0), ('バナナ', 100.0)")
conn.commit()
conn.close()

# SQLAlchemyエンジンを作成
# 'sqlite:///example.db' はSQLiteデータベースファイルへのパス
engine = create_engine('sqlite:///example.db')

try:
    # 'products' テーブル全体を読み込む
    df_table = pd.read_sql_table('products', engine)
    print("--- 1. pandas.read_sql_table() ---")
    print(df_table)
except NotImplementedError as e:
    print(f"\nエラー: {e}")
    print("注意: read_sql_table() は一部のデータベースや SQLAlchemy のバージョンで実装されていないことがあります。")
    print("代わりに read_sql_query() を使用してください。")
    # 代替案として read_sql_query を使う場合
    # df_table = pd.read_sql_query("SELECT * FROM products", engine)
    # print(df_table)

注意点
read_sql_table() は、内部でデータベースのメタデータ（テーブルのスキーマ情報など）を問い合わせるため、一部のデータベースドライバやSQLAlchemyのバージョンでは NotImplementedError が発生する可能性があります。その場合は、read_sql_query("SELECT * FROM your_table", con) を使うのが最も確実な代替手段となります。

pandas.read_sql() の利用

pandas.read_sql() は、read_sql_query() と read_sql_table() の機能を兼ね備えた汎用的な関数です。実際には、現在では read_sql() が推奨されており、ほとんどの場合これで十分です。

主な特徴

• 用途
  read_sql_query() が使われるほとんどのケースで推奨される代替方法です。
• 欠点
  特にありません。read_sql_query() を使っていた場所を read_sql() に置き換えても問題ないことがほとんどです。
• 利点
  
  • 第一引数にSQLクエリ文字列を渡せば read_sql_query() と同じ動作をします。
  • 第一引数にテーブル名を渡せば read_sql_table() と同じ動作をします（ただし、SQLAlchemyエンジンが必要）。
  • したがって、より統一されたインターフェースを提供します。

簡単な例

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')

# SQLクエリとして利用
df_sql = pd.read_sql("SELECT name, price FROM products WHERE price > 120", con)
print("\n--- 2. pandas.read_sql() (SQLクエリとして) ---")
print(df_sql)

con.close()

データベースドライバを直接利用し、その結果をDataFrameに変換

pandasを介さずに、Pythonのデータベースドライバ（例: sqlite3, psycopg2, pymysql）を直接使用してクエリを実行し、その結果（通常はタプルのリストや辞書のリスト）を後から pd.DataFrame() コンストラクタに渡して変換する方法です。

主な特徴

• 用途
  
  • 特定のパフォーマンス要件がある場合。
  • 非常に大量のデータを扱う際に、行を逐次処理したい場合（chunksize よりもさらに細かく制御したい場合）。
  • pandas以外のデータ構造に変換したい場合。
  • データベースドライバ特有の機能を利用したい場合。
• 欠点
  
  • 自分で接続、カーソル操作、データ取得、そしてDataFrameへの変換ロジックを記述する必要があります。
  • エラーハンドリングやデータ型推論のロジックも自分で実装する必要があるため、コード量が増え、手間がかかります。
• 利点
  
  • pandasに依存しない純粋なデータベース操作を行いたい場合に有効です。
  • read_sql_query がサポートしないような、より低レベルなデータベース操作が必要な場合に柔軟に対応できます（例: サーバーサイドカーソル、非同期クエリなど）。
  • データ取得とDataFrame化のプロセスを細かく制御できます。

簡単な例

import pandas as pd
import sqlite3

con = sqlite3.connect('example.db')
cur = con.cursor()

sql_query = "SELECT name, price FROM products WHERE price < 150"
cur.execute(sql_query)

# カーソルから全ての行を取得
rows = cur.fetchall()
# カラム名を取得
columns = [description[0] for description in cur.description]

# 取得した行とカラム名でDataFrameを作成
df_manual = pd.DataFrame(rows, columns=columns)

print("\n--- 3. データベースドライバを直接利用し、DataFrameに変換 ---")
print(df_manual)

cur.close()
con.close()

出力例

--- 3. データベースドライバを直接利用し、DataFrameに変換 ---
    name  price
0  バナナ  100.0

ORM (Object-Relational Mapper) の利用 (例: SQLAlchemy ORM)

ORMは、データベースのテーブルをPythonのクラスとしてマッピングし、SQLを直接書かずにPythonのオブジェクト操作でデータベースとやり取りできるようにするツールです。SQLAlchemyのCore（read_sql_queryが内部で利用）とは異なり、SQLAlchemy ORMはさらに高レベルの抽象化を提供します。

主な特徴

• 用途
  
  • 大規模なアプリケーション開発で、データベースとの連携をオブジェクト指向で管理したい場合。
  • SQLの知識が豊富でない開発者がデータベースを操作する必要がある場合。
  • データベーススキーマの変更に強いコードを書きたい場合。
• 欠点
  
  • ORMの学習コストがかかります。
  • 複雑なSQLクエリを生成するのが難しい場合や、生成されるSQLが必ずしも最適とは限らない場合があります。
  • シンプルなデータ取得にはオーバーヘッドが大きいと感じるかもしれません。
• 利点
  
  • SQLを書く必要がほとんどなく、Pythonのオブジェクト指向の恩恵を受けられます。
  • コードの可読性が向上し、保守が容易になる傾向があります。
  • データベースとPythonコード間のデータ型マッピングが自動化されます。

簡単な例（SQLAlchemy ORMとDataFrameへの変換）

import pandas as pd
from sqlalchemy import create_engine, Column, Integer, String, Float
from sqlalchemy.orm import sessionmaker, declarative_base

# ベースクラスの定義
Base = declarative_base()

# テーブルに対応するPythonクラスを定義
class Product(Base):
    __tablename__ = 'products' # データベース上のテーブル名
    id = Column(Integer, primary_key=True)
    name = Column(String)
    price = Column(Float)

    def __repr__(self):
        return f"<Product(name='{self.name}', price={self.price})>"

# データベース接続エンジンの作成
engine = create_engine('sqlite:///example.db')

# テーブルが存在しない場合は作成
Base.metadata.create_all(engine)

# セッションを作成するためのファクトリ
Session = sessionmaker(bind=engine)
session = Session()

# ORMを使ってデータをクエリ
# 全ての製品を取得
all_products_orm = session.query(Product).all()

# 条件を指定して製品を取得
filtered_products_orm = session.query(Product).filter(Product.price > 120).all()

# ORMオブジェクトのリストをDataFrameに変換
# この変換は手動で行う必要があります
data_for_df = [{'id': p.id, 'name': p.name, 'price': p.price} for p in filtered_products_orm]
df_orm = pd.DataFrame(data_for_df)

print("\n--- 4. ORM (SQLAlchemy ORM) の利用 ---")
print(df_orm)

session.close()

出力例

--- 4. ORM (SQLAlchemy ORM) の利用 ---
   id  name  price
0   1  りんご  150.0

方法	利点	欠点	主な用途
pd.read_sql_query()	SQLクエリを直接実行、最も柔軟性が高い	SQLの知識が必要	ほとんどのSQLベースのデータ取得
pd.read_sql_table()	テーブル全体をシンプルに読み込み	SQLAlchemyエンジンが必要、複雑なクエリは不可、一部非対応の場合あり	テーブル全体を手軽にDataFrameにしたい場合
pd.read_sql()	read_sql_queryとread_sql_tableの両機能を統合、推奨される	(特になし)	read_sql_queryが使われるほぼ全てのケース
DBドライバ直接 + pd.DataFrame()	低レベル制御、特定の機能利用、超大量データ処理での柔軟性	手動での変換、コード量が増える、エラーハンドリングも自分で記述	高度な制御が必要な場合、特定ドライバの機能利用
ORM (SQLAlchemy ORM)	SQL不要、オブジェクト指向、コードの保守性向上	学習コスト、複雑なクエリの生成が難しい場合がある、シンプルな用途では過剰	大規模なアプリ開発、DB操作の抽象化、SQL知識が少ない開発者

ほとんどのケースでは、pandas.read_sql() を使用するのが最も効率的でバランスの取れた選択肢です。特に、SQLクエリを書いてデータを取得したい場合は、read_sql() (またはそのエイリアスとしての read_sql_query()) が第一の選択肢となるでしょう。