Tutorial Window Function con DuckDB (1ª parte)
import duckdb
# Import jupysql Jupyter extension to create SQL cells
%reload_ext sql
# Initiating a DuckDB database
conn = duckdb.connect("BBDD/WindowFunction.duckdb")
%sql conn --alias duckdb
┌─────────────┐
│ name │
│ varchar │
├─────────────┤
│ order_items │
│ orders │
│ products │
└─────────────┘
Table products
# create table products and load data into it
conn.sql("CREATE TABLE products AS\
SELECT * FROM read_csv_auto('StarVision/products.csv', header=True, sep=',')");
# query the table
conn.table("products").show()
┌────────────┬───────────────────────────────────────────────┬────────────┬────────────┐
│ product_id │ product_name │ model_year │ list_price │
│ int64 │ varchar │ int64 │ double │
├────────────┼───────────────────────────────────────────────┼────────────┼────────────┤
│ 1 │ Trek 820 - 2016 │ 2016 │ 379.99 │
│ 2 │ Ritchey Timberwolf Frameset - 2016 │ 2016 │ 749.99 │
│ 3 │ Surly Wednesday Frameset - 2016 │ 2016 │ 999.99 │
│ 4 │ Trek Fuel EX 8 29 - 2016 │ 2016 │ 2899.99 │
│ 5 │ Heller Shagamaw Frame - 2016 │ 2016 │ 1320.99 │
│ 6 │ Surly Ice Cream Truck Frameset - 2016 │ 2016 │ 469.99 │
│ 7 │ Trek Slash 8 27.5 - 2016 │ 2016 │ 3999.99 │
│ 8 │ Trek Remedy 29 Carbon Frameset - 2016 │ 2016 │ 1799.99 │
│ 9 │ Trek Conduit+ - 2016 │ 2016 │ 2999.99 │
│ 10 │ Surly Straggler - 2016 │ 2016 │ 1549.0 │
│ · │ · │ · │ · │
│ · │ · │ · │ · │
│ · │ · │ · │ · │
│ 312 │ Electra Townie Commute 8D Ladies' - 2018 │ 2018 │ 699.99 │
│ 313 │ Electra Townie Original 1 Ladies' - 2018 │ 2018 │ 449.99 │
│ 314 │ Electra Townie Original 21D EQ Ladies' - 2018 │ 2018 │ 679.99 │
│ 315 │ Electra Townie Original 21D Ladies' - 2018 │ 2018 │ 559.99 │
│ 316 │ Trek Checkpoint ALR 4 Women's - 2019 │ 2019 │ 1699.99 │
│ 317 │ Trek Checkpoint ALR 5 - 2019 │ 2019 │ 1999.99 │
│ 318 │ Trek Checkpoint ALR 5 Women's - 2019 │ 2019 │ 1999.99 │
│ 319 │ Trek Checkpoint SL 5 Women's - 2019 │ 2019 │ 2799.99 │
│ 320 │ Trek Checkpoint SL 6 - 2019 │ 2019 │ 3799.99 │
│ 321 │ Trek Checkpoint ALR Frameset - 2019 │ 2019 │ 3199.99 │
├────────────┴───────────────────────────────────────────────┴────────────┴────────────┤
│ 321 rows (20 shown) 4 columns │
└──────────────────────────────────────────────────────────────────────────────────────┘
Table orders
# create table orders and load data into it
conn.sql("CREATE TABLE orders AS\
SELECT * FROM read_csv_auto('StarVision/orders.csv', header=True, sep=',')");
# query the table
conn.table("orders").show()
┌──────────┬─────────────────────┐
│ order_id │ order_date │
│ int64 │ timestamp │
├──────────┼─────────────────────┤
│ 1 │ 2016-01-01 00:00:00 │
│ 2 │ 2016-01-01 00:00:00 │
│ 3 │ 2016-01-02 00:00:00 │
│ 4 │ 2016-01-03 00:00:00 │
│ 5 │ 2016-01-03 00:00:00 │
│ 6 │ 2016-01-04 00:00:00 │
│ 7 │ 2016-01-04 00:00:00 │
│ 8 │ 2016-01-04 00:00:00 │
│ 9 │ 2016-01-05 00:00:00 │
│ 10 │ 2016-01-05 00:00:00 │
│ · │ · │
│ · │ · │
│ · │ · │
│ 1606 │ 2018-07-10 00:00:00 │
│ 1607 │ 2018-07-11 00:00:00 │
│ 1608 │ 2018-07-12 00:00:00 │
│ 1609 │ 2018-08-23 00:00:00 │
│ 1610 │ 2018-08-25 00:00:00 │
│ 1611 │ 2018-09-06 00:00:00 │
│ 1612 │ 2018-10-21 00:00:00 │
│ 1613 │ 2018-11-18 00:00:00 │
│ 1614 │ 2018-11-28 00:00:00 │
│ 1615 │ 2018-12-28 00:00:00 │
├──────────┴─────────────────────┤
│ 1615 rows (20 shown) │
└────────────────────────────────┘
Table order_items
# create table order_items and load data into it
conn.sql("CREATE TABLE order_items AS\
SELECT * FROM read_csv_auto('StarVision/order_items.csv', header=True, sep=',')");
# query the table
conn.table("order_items").show()
┌──────────┬────────────┬──────────┐
│ order_id │ product_id │ discount │
│ int64 │ int64 │ double │
├──────────┼────────────┼──────────┤
│ 1 │ 20 │ 0.2 │
│ 1 │ 8 │ 0.07 │
│ 1 │ 10 │ 0.05 │
│ 1 │ 16 │ 0.05 │
│ 1 │ 4 │ 0.2 │
│ 2 │ 20 │ 0.07 │
│ 2 │ 16 │ 0.05 │
│ 3 │ 3 │ 0.05 │
│ 3 │ 20 │ 0.05 │
│ 4 │ 2 │ 0.1 │
│ · │ · │ · │
│ · │ · │ · │
│ · │ · │ · │
│ 1612 │ 293 │ 0.07 │
│ 1612 │ 60 │ 0.1 │
│ 1613 │ 153 │ 0.07 │
│ 1613 │ 283 │ 0.05 │
│ 1614 │ 124 │ 0.07 │
│ 1614 │ 159 │ 0.07 │
│ 1614 │ 213 │ 0.2 │
│ 1615 │ 197 │ 0.2 │
│ 1615 │ 214 │ 0.07 │
│ 1615 │ 182 │ 0.2 │
├──────────┴────────────┴──────────┤
│ 4722 rows (20 shown) 3 columns │
└──────────────────────────────────┘
┌─────────────┐
│ name │
│ varchar │
├─────────────┤
│ order_items │
│ orders │
│ products │
└─────────────┘
# Explicitly close the connection
conn.close()