DuckDB vs Polars 对比

下面是这两个现代数据处理工具的核心对比：

维度	DuckDB 1.5.4	Polars 1.42.1	赢家
核心接口	SQL（PostgreSQL 风格）	Python 表达式 API + 懒加载 DataFrame	看个人偏好
编写语言	C++	Rust	—
许可证	MIT	MIT	—
执行模式	向量化，超内存自动溢出到磁盘	向量化，流式引擎（2026 稳定）	平手
大于 RAM 数据	是（自动溢出）	是（流式引擎）	平手
文件原地读取	Parquet, CSV, JSON, Iceberg, Delta	Parquet, CSV, JSON, Iceberg	DuckDB 领先
持久化存储	原生 .duckdb + DuckLake	无（仅计算）	DuckDB
最佳应用场景	SQL 分析、临时文件查询	Python 数据转换、ETL 管道	—

---

性能对比

总体印象：在大多数工作负载上，两者的差异比营销宣传的要接近。

具体数据

在 2 TB Parquet 数据集上：
– DuckDB：约 45 秒
– Polars（默认模式）：约 60 秒
– Polars（强制异步）：约 100 秒

读取 10 GB Parquet 单个文件：
– DuckDB：2–6 秒
– Polars：1.5–5 秒（略胜一筹）

复杂 SQL 查询（500M 行数据）：
– DuckDB：8–25 秒
– Polars：10–35 秒（DuckDB 略胜）

---

记忆使用

在 500M 行数值数据上：
– DuckDB：2–6 GB
– Polars：1.5–5 GB（略微领先）

关键点：内存是真正的分界线。DuckDB 处理超大文件时自动溢出到磁盘，Polars 在流式模式下也能处理超内存数据，但两者各有优劣。

---

编程范式对比

DuckDB（SQL 优先）

import duckdb

result = duckdb.sql("""
    SELECT customer_id, sum(amount) AS revenue
    FROM 'data/orders/*.parquet'
    GROUP BY customer_id
    ORDER BY revenue DESC
    LIMIT 5
""").show()

---

Polars（DataFrame 优先）

import polars as pl

result = (
    pl.scan_parquet("data/orders/*.parquet")
      .group_by("customer_id")
      .agg(pl.col("amount").sum().alias("revenue"))
      .sort("revenue", descending=True)
      .limit(5)
      .collect()
)

---

使用场景推荐

场景	推荐
SQL 分析、BI 仪表板	DuckDB
Python 原生 ETL 管道	Polars
快速文件查询、临时分析	DuckDB
长链式数据转换	Polars
超 TB 级别数据（需自动溢出）	DuckDB
需要持久化存储	DuckDB（.duckdb 数据库）

---

Polars 适合的工作负载

Polars ≈ 本地的、单机的、高性能的 Spark

换个角度：

Pandas → Polars（快 10-100 倍，加上优化器）
         ↓
      Spark（分布式版本，支持超大数据）

✅ 你的数据完全放在一台机器上（即使是 100 GB，现代服务器 RAM 便宜了）
✅ 你需要快速迭代开发（毫秒级反馈）
✅ 本地笔记本 + 云服务器上运行 Python 脚本

# Polars：秒级启动，毫秒级查询
df = pl.read_parquet("sales.parquet")
result = df.filter(pl.col("amount") > 1000).group_by("customer_id").agg(...)
# 立即得到结果