DuckDB: SQL-аналитика прямо в Python без сервера

Почему DuckDB стал таким популярным:

• Не нужен сервер DuckDB работает как библиотека: установили пакет — и можно выполнять SQL-запросы прямо в Python. Это удобно для локальной аналитики, исследований и прототипирования.
• Быстро обрабатывает большие таблицы СУБД оптимизирована под аналитические нагрузки: фильтрацию, агрегации, JOIN, оконные функции. На практике DuckDB часто заметно быстрее Pandas в сложных выборках.
• Понимает привычный SQL Если вы знаете PostgreSQL-подобный синтаксис, входной порог минимален. Можно писать понятные запросы без переписывания логики на Python.
• Отлично работает с Parquet и CSV Одна из сильных сторон DuckDB — чтение файлов напрямую. Можно анализировать Parquet без предварительного импорта в базу, что сильно ускоряет работу с дата-лейками и выгрузками. 📁
• Интеграция с Python-экосистемой DuckDB легко дружит с Pandas, Polars, Arrow, Jupyter. Это делает его удобным инструментом для Data Analyst, Data Engineer и backend-разработчиков.

Где DuckDB особенно полезен:

• анализ логов и выгрузок
• локальная работа с Parquet/CSV
• быстрые SQL-отчёты в ноутбуках
• подготовка данных перед ML
• замена тяжёлых ETL-скриптов на компактные SQL-запросы

Пример использования в Python:

import duckdb

result = duckdb.sql("""
    SELECT city, count(*) as users
    FROM 'users.parquet'
    GROUP BY city
    ORDER BY users DESC
    LIMIT 10
""").df()

Что важно понимать:

• DuckDB — не замена PostgreSQL или ClickHouse для многопользовательского production-сервиса
• это идеальный инструмент для локальной аналитики, исследований данных и встроенных SQL-сценариев
• особенно хорош там, где нужен баланс между простотой Python и мощностью SQL 🔍