10分钟快速上手Fugue项目中的FugueSQL
2025-06-10 08:47:13作者:裘旻烁
什么是FugueSQL
FugueSQL是Fugue项目的SQL接口,旨在为数据工程师和分析师提供一个简单统一的SQL接口,能够在Pandas、Spark和Dask等不同计算引擎上执行。对于熟悉SQL但需要处理大规模数据的用户来说,FugueSQL提供了一种无缝过渡到分布式计算的方式。
安装与设置
基础安装
要使用FugueSQL,首先需要安装核心包:
pip install fugue[sql]
Jupyter扩展
为了在Jupyter Notebook或JupyterLab中获得更好的开发体验(如语法高亮),还需要安装扩展:
pip install fugue-jupyter
fugue-jupyter install startup
安装完成后,在Jupyter中可以直接使用%%fsql
魔法命令来编写FugueSQL代码。
基本语法特性
标准SQL兼容性
FugueSQL完全兼容标准SQL语法,可以直接执行常规的SELECT、JOIN、WHERE等操作。例如:
import pandas as pd
df = pd.DataFrame({"col1": ["A","A","A","B","B","B"], "col2": [1,2,3,4,5,6]})
df2 = pd.DataFrame({"col1": ["A", "B"], "col3": [1, 2]})
%%fsql
SELECT df.col1, df.col2, df2.col3
FROM df
LEFT JOIN df2
ON df.col1 = df2.col1
WHERE df.col1 = "A"
PRINT
变量赋值与简化语法
FugueSQL引入了变量赋值功能,可以显著减少SQL中的重复代码:
%%fsql
df = LOAD "/tmp/df.parquet"
max_vals = SELECT col1, MAX(col2) AS max_val
FROM df
GROUP BY col1
SELECT df.col1,
df.col2 / max_vals.max_val AS normalized
FROM df
JOIN max_vals
ON df.col1 = max_vals.col1
PRINT
匿名表达式
FugueSQL支持匿名表达式,可以进一步简化代码:
%%fsql
LOAD "/tmp/df.parquet"
SELECT col1, MAX(col2) AS max_val
GROUP BY col1
PRINT
高级功能
与Python代码集成
FugueSQL可以直接调用Python函数,实现SQL难以表达的复杂逻辑:
# schema: *+col2:float
def std_dev(df: pd.DataFrame) -> pd.DataFrame:
return df.assign(col2=df['col2']/df['col2'].max())
%%fsql
LOAD "/tmp/df.parquet"
PREPARTITION BY col1
TRANSFORM std_dev
PRINT
文件操作
FugueSQL支持直接读写文件:
%%fsql
df = LOAD "/tmp/df.parquet"
df2 = LOAD "/tmp/df2.parquet"
new = SELECT df.col1, df.col2, df2.col3
FROM df
LEFT JOIN df2
ON df.col1 = df2.col1
WHERE df.col1 = "A"
SAVE OVERWRITE "/tmp/res.parquet"
适用场景
FugueSQL特别适合以下场景:
- SQL用户需要处理超出单机内存的数据量
- 需要在不同计算引擎(Pandas/Spark/Dask)间切换
- SQL逻辑需要与Python函数结合
- 简化复杂SQL查询的编写
总结
FugueSQL通过扩展标准SQL语法,提供了更简洁的数据处理方式,同时保持了与Python生态的无缝集成。对于习惯使用SQL的数据从业者,FugueSQL可以大大降低学习分布式计算的曲线,提高开发效率。
通过本教程,您已经掌握了FugueSQL的基本用法,可以开始在实际项目中尝试使用。随着熟练度的提高,可以进一步探索FugueSQL更高级的特性,如分布式执行、自定义函数等。
登录后查看全文
热门项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0135AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
231
2.31 K

仓颉编译器源码及 cjdb 调试工具。
C++
112
78

React Native鸿蒙化仓库
JavaScript
216
290

暂无简介
Dart
532
117

仓颉编程语言运行时与标准库。
Cangjie
122
93

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
992
587

Ascend Extension for PyTorch
Python
74
103

仓颉编程语言测试用例。
Cangjie
34
61

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
401