小编点评

本文介绍了DuckDB在Python中的使用方法和相关知识。 1. **DuckDB简介**：本文首先介绍了DuckDB的背景，它是一个高性能的关系型数据库，已经在GitHub上发布了1.0.0版本，具有强大的单机数据分析性能。 2. **Python中对DuckDB的安装和使用**：作者以mamba为例，说明了在Python环境下安装DuckDB和相关的分析工具的方法，包括创建虚拟环境、安装依赖包等步骤。 3. **数据集的导入**：文章详细展示了如何导入不同格式的数据集，包括CSV、parquet、json等，并对比了DuckDB与其他框架（如pandas、polars）在读取这些格式数据时的性能差异。 4. **SQL查询和分析**：介绍了DuckDB支持在Python中通过SQL语句执行常见的分析运算，包括数据筛选、连接等操作的耗时比较。 5. **结果转换和输出**：讲解了DuckDB在Python中如何将计算结果转换成多种格式的文件，包括针对Python对象的直接输出以及导出为常用的数据格式。 总的来说，文章全面介绍了DuckDB在Python中的应用，从安装到数据操作，再到结果转换，涵盖了数据分析过程中可能用到的主要功能。

正文

本文完整代码及附件已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes

1 简介

　　大家好我是费老师，就在几天前，经过六年多的持续开发迭代，著名的开源高性能分析型数据库DuckDB发布了其1.0.0正式版本。

　　DuckDB具有极强的单机数据分析性能表现，功能丰富，具有诸多拓展插件，且除了默认的SQL查询方式外，还非常友好地支持在Python、R、Java、Node.js等语言环境下使用，特别是在Python中使用非常的灵活方便，今天的文章，费老师我就将带大家一起快速了解DuckDB在Python中的常见使用姿势😎~

2 DuckDB在Python中的使用

　　DuckDB的定位是嵌入式关系型数据库，在Python中安装起来非常的方便，以当下最主流的开源Python环境管理工具mamba为例，直接在终端中执行下列命令，我们就一步到位的完成了对应演示虚拟环境的创建，并在环境中完成了python-duckdb、jupyterlab、pandas、polars等相关分析工具的安装：

mamba create -n duckdb-demo python=3.9 -y && mamba activate duckdb-demo && mamba install python-duckdb jupyterlab pandas polars pyarrow -y

2.1 数据集的导入

2.1.1 直接导入文件

　　作为一款数据分析工具，能够方便灵活的导入各种格式的数据非常重要，DuckDB默认可直接导入csv、parquet、json等常见格式的文件，我们首先使用下列代码生成具有五百万行记录的简单示例数据，并分别导出为csv和parquet格式进行比较：

# 利用pandas生成示例数据文件
import numpy as np
import pandas as pd

generated_df = pd.DataFrame(
    {
        '类别': np.random.choice(list('ABCDEF'), 1000000),
        '数值': np.round(np.random.uniform(0, 1000000, 1000000), 3)
    }
)

# 分别导出为csv、parquet格式
generated_df.to_csv('./demo_data.csv', index=False)
generated_df.to_parquet('./demo_data.parquet')

　　针对两种格式的文件，分别比较默认情况下DuckDB、pandas、polars的读取速度：

• csv格式

• parquet格式

　　可以看到，无论是对比pandas还是polars，DuckDB的文件读取性能都是大幅领先甚至碾压级的⚡。

　　除此之外，DuckDB也可以通过SQL语句的方式进行等价操作：

2.1.2 读取其他框架的数据对象

　　除了默认可直接读取少数几种常见数据格式外，DuckDB在Python中还支持直接以执行SQL语句的方式，直接读取pandas、polars等框架中的数据框，这一点可太强大了，意味着只要是pandas、polars等框架可以读取的格式，DuckDB都可以直接“拿来吧你”🤣：

2.2 执行分析运算

　　DuckDB作为一款关系型数据库，其执行分析运算最直接的方式就是写SQL，针对DuckDB默认读取到内存中的对象（DuckDB中称作关系）：

　　我们可以通过duckdb.sql()直接将关系当作表名，书写SQL语句进行查询分析，下面是一些简单的例子：

　　比较一下与pandas、polars之间执行相同任务的耗时差异，DuckDB依旧是碾压级的存在👍：

2.3 计算结果转换

　　DuckDB默认自带的文件写出接口比较少，依旧是只针对csv、parquet等主流格式具有相应的write_parquet()、write_csv()可以直接导出文件，但是针对Python，DuckDB提供了多样化的数据转换接口，可以快捷高效地将计算结果转换为Python对象、pandas数据框、polars数据框、numpy数组等常用格式：

　　基于此，就不用担心通过DuckDB计算的数据结果不好导出为其他各种格式文件了~

　　如果你恰好需要转出为csv、parquet等格式，那么直接使用DuckDB的文件写出接口，性能依旧是非常强大的：

• csv格式

• parquet格式

　　更多有关DuckDB在Python中应用的内容，请移步官方文档（https://duckdb.org/docs/api/python/overview），费老师我也会在之后持续的分享DuckDB相关教程文章，欢迎持续关注，一起来熟练掌握这款数据分析利器😉。

---

　　以上就是本文的全部内容，欢迎在评论区与我们进行讨论~