昨天介绍了Why DuckDB，今天就用它来体验在Python下1.5亿行数据的查询。
数据
最早知道 AirOnTime87to12 是学Sparklyr的时候看到一篇文章，使用Sparklyr导入30GB数据[1]，具体文章内容，有兴趣的自己看，这里就不展开了。
AirOnTime87to12是一份航线准点率（ On-time performance，OTP）的压缩包：
303 个CSV，大小30G
148617414 行数据，29个变量
Zip压缩包4.2G
2013年8月由transtats.bts.gov提供下载
转为snappy压缩的parquet 2.4G
硬件环境
OS：MacOS 10.15.6 (19G2021)
CPU：2.8 GHz Quad-Core Intel Core i7
MEM：16 GB 1600 MHz DDR3
HD：1T SSD
Python
Python 3.7
Jupyter-Lab
DuckDB GitHub Master
$ git clone https://github.com/cwida/duckdb$ cd duckdb$ BUILD_PYTHON=1 make
注：通过pip install duckdb 或者conda install python-duckdb 安装的版本暂时不支持通配符。
体验
创建duckdb链接，本例使用内存数据库
%load_ext autotimeimport duckdbdb = duckdb.connect(":memory:")duck_cursor = db.cursor()def fetchdf(sql): return duck_cursor.execute(sql).fetchdf();
创建airontime视图
sql = """create or replace view airontime as select * from parquet_scan('/data/AirOnTime/*.parquet');"""fetchdf(sql)
先看看多少行
fetchdf("select count(*) from airontime")
如果使用JDBC，或者命令行只需要100多ms。
对比下PySpark 3.0（500多ms）
体验下聚合查询（如果没有oder by， 在2s以内）
sql ='''select "YEAR" , count(*) from airontime ap group by 1 order by 1;'''fetchdf(sql)
读取csv
支持csv和csv.gz， UTF8编码，分隔符，换行符，是否有header，以及变量数据类型都可以尝试让duckdb自己来判断
sql ="""select * from read_csv_auto('/Users/steven/data/iris.csv')"""iris=fetchdf(sql)type(iris) # pandas.core.frame.DataFrameiris.dtypes
通过SQL语句访问Pandas DataFrame
#把DataFrame iris 映射为虚拟表iris，然后使用SQL来查询duckdb.query(iris,'iris',"select * from iris limit 5").fetch_df()
查询结果 导出为Parquet 或者csv
duckdb.query(iris,'iris', """copy(select * from iris limit 5) to 'iris_5.parquet' (format 'parquet')""").fetch_df() duckdb.query(iris,'iris', """copy(select * from iris limit 5) to 'iris_5.csv' (format 'csv')""").fetch_df()
关闭连接
duck_cursor.close()db.close()
其它更多惊艳功能等待你来挖掘，有兴趣的可以安装DuckDB体验起来。
参考
https://www.brodrigues.co/blog/2018-02-16-importing_30gb_of_data/
https://docs.microsoft.com/en-us/machine-learning-server/r-reference/revoscaler/airontime87to12
https://github.com/cwida/duckdb