如何お過ごしですか？ 3回連続10cmです。 当ブログにお越しいただきありがとうございます。 いつも本当にありがとうございます。 先日サンポート高松というところに行ってきました。 付近の紹介と、私が撮った写真を貼っただけの軽ーい記事ですが、どうかひとつ。 サンポート高松。 鬼が島。 高松港に入ってくる船たち。 高松港を守る赤灯台『せとしるべ』。 夕陽。 星空映画会。 編集後記 サンポート高松。 高松港玉藻地区東部ウォーターフロントにあたる浜ノ町の旧・高松貨物駅跡地を再開発した地区である。高松市が瀬戸内海に面する港町であることから「瀬戸の都」として、1999年（平成11年）から工事が進められている。 JR高松駅、高松シンボルタワー、JRホテルクレメント高松、高松サンポート合同庁舎、高松港旅客ターミナルビルなどの大規模施設が立地する高松市の新たな拠点として建設された。 サンポート高松 - Wi
データがSQL対応のDB（データベース）に格納されている場合、SQLを使いデータを取得し操作することが多いことでしょう。 Python上ではPandasやPolarを使うかもしれませんが、SQLを利用したほうが便利な場面も少なくありません。 そこで登場するのがDuckDBです。 DuckDBは、インプロセス（例えば、Python内駆動）で動作するRDBMS（リレーショナルデータベース管理システム) で、指示を送信するクライアントもそれらを読み取って処理するサーバーも必要ありません。 そこが、PostgreSQLやMySQLなどの通常のRDBMSとの大きな違いです。 また、オンライン分析処理 (OLAP) 系のRDBMSのため、データ分析に適しています。 要するに、DuckDBは「組み込み用途のOLAP系のRDBMS」ということです。 似たようなものに、SQLiteというものがありますが遅速
Jupyter NotebookやJupyter Labといった、Notebookでデータ分析業務をする人が、ここ数年で増えてきました。 Notebook上でデータ分析をするとき、外部のCSVファイルやDBのデータテーブルなどからデータセットを取得する必要があります。 よくあるのが、Pandasを利用し取得したデータセットをデータフレームに格納するケースです。 データ規模が大きいほど、ある問題が起こります。 例えば、メモリの消費の問題です。 データフレームに格納するということは、PCなどのメモリをそれだけ消費します。 多くの場合、読み込んだ直後のデータフレームは、そのままデータ分析に使えることは少なく、何かしらの加工なり処理がなされ整えられます。 ある程度整えられたデータセットの状態で、データフレームとして格納した方が、メモリの消費量は少なくてすみます。 他には、外部DBのパフォーマンス低
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
サンポート高松 散策日記。 - おっさんのblogというブログ。
Pythonデータ分析のためのDuckDB（組み込み用途のOLAP系のRDBMS）
Jupyter Notebook上でSQLをらくらく実行するJupySQL