10分钟快速上手Fugue项目中的FugueSQL
2025-06-10 17:39:03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
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-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++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0287Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-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).Dockerfile09
- 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
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
198
279

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
535
62

Ascend Extension for PyTorch
Python
50
81

🎉 (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
950
556

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 K
397

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
385
19

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191