はじめに

これまでGoogle Colab（Python）野球データ分析をする時、pandasでゴリゴリ処理していました。でも最近「DuckDB」というものを知って、ColabでもSQLが使えることを知りました。

試しに以前書いた大谷翔平の打撃分析コード（23セル）をSQL版に書き直してみたら、6セルまで削減できました。思ったより使いやすかったので記録を残しておきます。

環境

Google Colab（無料版）
Python 3.10
pybaseball（野球データ取得）
DuckDB（SQLエンジン）

インストールは簡単です：

!pip install pybaseball duckdb

これまでのpandasコード

大谷翔平の2022年打撃データを分析する時、試行錯誤しながら書いていたら23セルになっていました。

元のnotebookの問題点：

データ抽出を何度も書き直し
isin()と~isin()の組み合わせが読みづらい
グラフ関数を7回も書き直している
型変換やNULL処理が散らばっている

正直、試行錯誤の履歴が全部残ったまま放置していました。

例えば、ヒットとアウトを分類する部分：

# 大谷翔平のデータ抽出
df_ohtani = df[df['batter'] == 660271]

# ヒットイベントの定義
hit_events = ['home_run', 'double', 'triple', 'single']

# ヒット抽出
df_ohtani_hits = df_ohtani[df_ohtani['events'].isin(hit_events)].dropna(subset=['hc_x', 'hc_y'])

# アウト抽出（ヒット以外）
df_ohtani_others = df_ohtani[~df_ohtani['events'].isin(hit_events)].dropna(subset=['hc_x', 'hc_y'])

動くには動くんですが、~（否定）やdropnaが入ると見づらくなります。

DuckDB SQLで書き直してみた

試行錯誤の履歴を整理するついでに、SQLで書き直してみました。

同じ処理をSQLで書くと、1つのクエリで完結します：

import duckdb
con = duckdb.connect()

# ヒット抽出（SQL）
df_ohtani_hits = con.execute("""
    SELECT *
    FROM df
    WHERE batter = 660271
      AND events IN ('home_run', 'double', 'triple', 'single')
      AND hc_x IS NOT NULL
      AND hc_y IS NOT NULL
""").df()

# アウト抽出（SQL）
df_ohtani_others = con.execute("""
    SELECT *
    FROM df
    WHERE batter = 660271
      AND events NOT IN ('home_run', 'double', 'triple', 'single')
      AND hc_x IS NOT NULL
      AND hc_y IS NOT NULL
""").df()

これだけです。dropnaも~も不要。WHERE句で条件を並べるだけ。

結果：23セル → 6セルに削減

良かった点

1. コード量が減った

元: 23セル（試行錯誤の履歴込み）
SQL版: 6セル

グラフ描画関数を7回も書き直していたのが、1回で済みました。

2. 意図が明確

WHERE句で条件を並べるだけなので、「何をしているか」が一目でわかります。

-- これは明らか
WHERE events IN ('home_run', 'double', 'triple', 'single')
  AND hc_x IS NOT NULL

-- pandas版はこう
df[df['events'].isin([...])].dropna(subset=[...])

3. pandasのDataFrameをそのまま使える

DuckDBの便利なところは、既存のpandasのDataFrameを直接クエリできることです。わざわざDBにインポートする必要がありません。

# dfはpandas DataFrame
result = con.execute("SELECT * FROM df WHERE ...").df()

打球のヒートマップ

SQLで抽出したデータを、元のnotebookと同じようにヒートマップで可視化します。

def plot_hit_vs_out(outs, hits):
    # Y座標を反転
    outs['hc_y'] = -outs['hc_y']
    hits['hc_y'] = -hits['hc_y']
    
    fig, axs = plt.subplots(1, 2, figsize=(20, 10))
    
    # ファウルライン描画
    def draw_foul_lines(ax):
        ax.plot([125, 250], [-210, -85], 'k-', lw=3)
        ax.plot([125, 0], [-210, -85], 'k-', lw=3)
    
    # アウト
    sns.histplot(data=outs, x='hc_x', y='hc_y', cmap="coolwarm", 
                 cbar=True, ax=axs[0], binwidth=10)
    axs[0].set_title('Outs')
    draw_foul_lines(axs[0])
    
    # ヒット
    sns.histplot(data=hits, x='hc_x', y='hc_y', cmap="coolwarm", 
                 cbar=True, ax=axs[1], binwidth=10)
    axs[1].set_title('Hits')
    draw_foul_lines(axs[1])
    
    plt.show()

plot_hit_vs_out(df_ohtani_others, df_ohtani_hits)

この可視化から、大谷選手の打球(ヒット＆アウト)が1-2塁間に集中していることがわかります。これが内野の「大谷シフト」の根拠になっていたのかもですね。
※逆に大谷シフトのせいで、アウトが多くなっていたとも言える

今はシフトルールから、大量に内野手を1-2塁間に置けないけど。

注意点

NULLの扱い

座標データ(hc_x, hc_y)にNULLが含まれているので、WHERE句で除外します。

WHERE hc_x IS NOT NULL
  AND hc_y IS NOT NULL

pandasのdropna()と同じ役割ですが、SQLの方が明示的です。

まとめ

Google ColabでDuckDB使ってみたら、思ったより便利でした。

削減効果：

セル数: 23 → 6（約75%削減）
コードの見通しが良くなった
試行錯誤が減った

元のnotebookは正直グチャグチャでしたが、SQL化するついでに整理できて良かったです。

DuckDBの良いところ：

インストールが簡単（pip install duckdbだけ）
既存のDataFrameをそのまま使える
WHERE句で条件を並べるだけ
pandas版と同じグラフが描ける

これを機に、今まで行っていた野球データ分析もSQL化してみようと思います。