DuckDB快速入门教程

DuckDB是一个用c++编写的进程内OLAP DBMS，太复杂了。我们从简单的开始，好吗？DuckDB是用于分析的SQLite。它没有依赖关系，非常容易设置，并且经过优化可以对数据执行查询。本文将介绍什么是DuckDB，如何使用它，以及为什么它对你很重要。

DuckDB应用场景

为什么DuckDB ?作为数据分析师或数据科学家，典型的工作流程是从CSV文件或S3桶加载数据，执行预处理步骤，然后运行分析。要实现这些功能，您需要打开一个Jupyter notebook，导入Numpy和Pandas，然后执行查询。有趣的是，如果回顾这些操作，通常包括类似数据库中的操作，如连接、聚合、筛选等。但是，不是使用关系数据库管理系统（RDBMS），而是使用Pandas和Numpy。

问题是，为什么？设置数据库并在其中，加载数据可能是一种痛苦、缓慢和令人沮丧的体验。如果这很容易，那么使用RDBMS就可以获得一切。这就是DuckDB要解决的需求场景，DuckDB是使用数据库分析数据的最简单和最快的方法。

DuckDB介绍

DuckDB优势

本地化

首先，DuckDB是进程内单文件数据库，没有外部依赖关系。这是什么意思？与Postgres不同，它不需要设置客户端/服务器，也不需要安装外部依赖项。此外，客户端与服务端之间的数据传输速度比正常情况下要慢。另一方面，DuckDB嵌入到主机应用程序进程中，并管理存储在单个文件中的数据库。没有客户机/服务器，安装起来很简单。如果你需要运行DB来进行本地数据分析，那么它就是你的选择！

性能

其次，DuckDB针对分析查询工作负载（OLAP）进行了高度优化。因为它是面向列的数据库（以及其他优化），所以聚合、连接或读取数据的复杂长时间查询变得非常快！可以很容易地说，90%的大数据工作负载可以在一台机器上处理，而不需要DuckDB进行任何设置或计算。Pandas不是这样的。Pandas不能利用CPU内核来并行计算，这使得它们完成起来很慢。它完全在内存中操作，如果数据集太大，就会导致内存不足错误。

无论您喜欢与否，SQL比以往任何时候都更加活跃。DuckDB支持相当高级的SQL命令集，例如窗口函数和聚合。它提供事务性保证（ACID属性）并使用Postgres API。忘记丑陋和缓慢的pandas操作。你可以用优雅的SQL替换它们（它在SQL之上提供了一些附加功能，使其更友好，如下所示）。最后，DuckDB有一个Python客户端，当与Arrow和Parquet混合使用时，它会很出色。

总之，DuckDB是开源的、可嵌入的、进程内的、面向列的SQL OLAP RDBMS。非常适合想要轻松快速地执行本地分析工作负载的数据从业者。

DuckDB限制

DuckDB被设计为在单台机器上运行。这意味着你的数据必须适合那台机器；否则，它不起作用。实际上，您可以使用功能强大的计算机来处理99%的工作负载。这应该不是问题，除非你每天处理数tb的数据。通过查看AWS产品，您可以拥有一个拥有1952gb内存和128个vcpu的实例。

另一个限制是DuckDB不是一个多租户数据库。拥有不同团队的不同人员、开发模型和共享数据库上的数据将是非常具有挑战性的。但是，当你将数据库与其他工具（如Airflow、S3、Parquet和dbt）集成时，可以获得一个健壮的数据生态系统，团队可以使用该生态系统高效地工作。

这本身并不是限制，但是DuckDB不是事务性数据库，不应该这样使用。

DuckDB vs SQLite

虽然SQLite是一个通用的数据库引擎，但它主要是为快速在线事务处理（OLTP）而设计的。

SQLite是:

跨平台：SQLite数据库存储在单个文件中。
紧凑和独立：可作为一个小文件。它不需要安装或配置，也没有外部依赖。
可靠：经常用于关键任务应用程序，如飞行软件。
快：每秒可以支持数万个事务。
ACID保证：事务是原子的、一致的、隔离的和持久的

上述特性与DuckDB相同。这就是为什么它声称是"用于分析的SQLite"。那么有什么不同呢？

DuckDB是为进程内OLAP从头开始构建的，采用列式存储、向量化查询处理和针对ETL操作优化的多版本并发控制。另一方面，SQLite使用面向行的存储格式，这意味着SQL查询对单个行而不是成批行进行操作，就像在向量化查询处理中那样，这会给OLAP查询带来较差的性能。

总之，他们都有许多共同的特点。但是，DuckDB针对跨大量行应用聚合计算的查询进行了优化，而SQLite针对单个数据行的快速扫描和查找进行了优化。如果您需要执行分析查询，请使用DuckDB；否则，使用SQLite。

Python操作DuckDB

是时候使用DuckDB了。首先，创建一个duckdb目录，以CSV数据文件为例，这里没有实际业务处理，实际内容不重要。下面数据集包含测试数据：销售数据，列为订单ID、产品、数量等。

Order_ID	Product	Quantity	Price	Order_Date
176558	USB-C Charging Cable	2	11.95	19-04-2019
176559	Bose SoundSport Headphones	1	99.99	07-04-2019
176560	Google Phone	1	600	12-04-2019
176560	Wired Headphones	1	11.99	12-04-2019
176561	Wired Headphones	1	11.99	30-04-2019
176562	USB-C Charging Cable	1	11.95	29-04-2019
176563	Bose SoundSport Headphones	1	99.99	02-04-2019
176564	USB-C Charging Cable	1	11.95	12-04-2019
176565	Macbook Pro Laptop	1	1,700.00	24-04-2019

要使用DuckDB，必须安装Python包。为了避免与机器上已经安装的包冲突，最好的做法是创建一个Python虚拟环境。为此，打开终端并键入命令python3 -m venv venv。通过执行source venv/bin/activate来激活环境，并在VS Code（或任何IDE）中运行一个单元。

在文件中输入# %%，创建VS Code类型的单元格，可以实现类似Notebook功能：

按shift+enter组合键，可以运行单元格内代码。

安装依赖

准备好Python虚拟环境后，创建一个新文件requirements.txt。该文件包含DuckDB工作所需的Python包以及DuckDB本身。

rust 复制代码

duckdb==1.1.3
pandas==2.1.1
seaborn==0.13.0
matplotlib==3.8.0

保存该文件并运行命令pip install -r requirements.txt来安装依赖项。

回到笔记本并在第一个单元格中添加以下导入：

创建数据库

默认情况下，不带参数的connect会创建一个全局存储在Python模块中的内存数据库。如果关闭启动连接的程序，就会丢失数据库和数据。如果希望持久化数据，则传递文件名进行连接，以便它创建与数据库对应的文件。

python 复制代码

conn = duckdb.connect()
# conn = duckdb.connect("my_db.db")

最后，如果你想查询现有的数据库，而不向它写入数据，传递read_only参数，如下所示：

python 复制代码

conn = duckdb.connect（"my_db.db", read_only=True）

现在，采用第一个选项，创建内存数据库作为示例。

使用DuckDB查询数据

在新单元格中，增加并执行下面代码：

rust 复制代码

conn.sql("""
  SELECT *
  FROM 'data/*.csv'
  LIMIT 10
""")

SQL对数据库执行SQL查询。在上面的示例中，DuckDB加载数据集目录中的所有CSV文件并打印前10行。在底层，DuckDB使用CSVLoader自动推断列和类型。如你所见，这很简单。为CSV文件提供路径，就可以像查询SQL表一样查询它们。当然DuckDB支持很多文件类型，如Parquet、Hive分区、JSON等等。

能够查询数据固然很好，但是从查询中检索数据就更好了！DuckDB提供了多种方法，可以使用这些方法来有效地检索数据，例如：

fetchnumpy()将数据作为Numpy数组的字典
df()将数据作为Pandas数据框
arrow()将数据作为arrow表
pl()将数据作为polar数据框

最终根据需求选择合适的方法。作为最佳实践，不要使用fetch_one或fetch_all，因为它们会为查询返回的每个值创建一个Python对象。如果有很多数据，可能会出现内存错误或性能问题。

让我们通过像这样更改前面的单元格来检索数据作为Pandas Dataframe：

python 复制代码

# %%
conn = duckdb.connect("my_db.db")
df = conn.sql("""
  SELECT *
  FROM 'data/*.csv'
  LIMIT 10
""").df()
df

执行结果如下：

从Dataframe创建表

现在，你已经使用DuckDB直接查询了这些文件。另一种方法是将前一个查询的输出注册为一个虚拟表，这样你就可以使用通常的SQL表特性查询数据。如何?简单!

python 复制代码

# %%
conn.register("df_view", df)
print(conn.execute("DESCRIBE df_view").df())

print(conn.execute("DESCRIBE df_view").df())

这将从数据帧df创建虚拟表df_view。重新运行单元将得到预期的输出：

总结

DuckDB通过易于使用和高效地查询任何数据来节省您的时间。不需要通过经典的RDBMS来加载和查询数据，只需使用DuckDB即可。对于大多数场景，可能不需要100个cpu和100Gb内存的大型设置。此外，DuckDB还提供了与Pandas、Arrow、Polars、Parquet和Numpy等许多知名包的兼容性，这使得在它们之间进行操作变得方便。希望大家喜欢，下次教程再见！