# Beispiel: 3,5 Millionen Taxifahrten über HTTPS

> Eine 3,5-Millionen-Zeilen-Parquet-Datei der NYC-Taxis per HTTPS mit DuckDB SQL abfragen und die Fahrten in DuckLocal nach Stunde und Zahlungsart darstellen.

Source: https://ducklocal.app/docs/de/example-nyc-taxi

New York City veröffentlicht jede Fahrt der Yellow Cabs als Parquet-Datei. Der
Januar 2025 ist eine einzelne Datei mit 59 MB und 3.475.226 Zeilen, und DuckLocal
kann sie dort abfragen, wo sie liegt – kein Download-Schritt, kein Cluster, kein
Import. Dieser Durchgang führt vom ersten Blick bis zu drei Diagrammen und einem
Dashboard, eine Abfrage nach der anderen. Den breiteren Datei-zuerst-Workflow
finden Sie unter [lokale Datenanalyse mit DuckDB SQL](https://ducklocal.app/use-cases/local-data-analysis/).

Dieser Leitfaden setzt voraus, dass Sie [Ihre ersten 10 Minuten](tutorial.md) abgeschlossen haben oder die Grundlagen schon kennen: **⌘↵** (unter Windows und Linux Ctrl+Enter) führt die Abfrage im Editor aus, und der Ergebnisbereich hat einen Tab **Diagramm**.

Die Datei:

```text
https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet
```

::: tip Netzwerk
Die erste Abfrage auf eine `https://`-Adresse lässt DuckDB seine
`httpfs`-Erweiterung herunterladen, Sie müssen also einmal online sein. Danach
liest jede Abfrage nur die Teile der Datei, die sie braucht – eine Parquet-Datei
hält jede Spalte getrennt, und DuckDB fragt Byte-Bereiche statt der ganzen Datei
an.
:::

## 1. Erst schauen, dann abfragen

Fügen Sie dies in einen Abfragetab ein und drücken Sie **⌘↵**:

```sql
SELECT *
FROM 'https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet'
LIMIT 100;
```

Hundert Zeilen, zwanzig Spalten: Abhol- und Ankunftszeiten, Distanz, Fahrpreis,
Trinkgeld, Abhol- und Ankunftszonen und wie der Fahrgast bezahlt hat. Um jede
Spalte mit ihrem Typ zu sehen, statt seitwärts zu scrollen, `DESCRIBE` Sie
dieselbe Abfrage:

```sql
DESCRIBE SELECT *
FROM 'https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet';
```

Die unten verwendeten:

| Spalte | Typ | Bedeutung |
| --- | --- | --- |
| `tpep_pickup_datetime` | TIMESTAMP | Wann der Meter startete |
| `fare_amount` | DOUBLE | Der metergemessene Fahrpreis, in Dollar |
| `tip_amount` | DOUBLE | Das Trinkgeld, in Dollar – nur Karten-Trinkgeld, siehe Schritt 4 |
| `payment_type` | BIGINT | `1` Kreditkarte, `2` Bargeld, `3` ohne Berechnung, `4` Reklamation |

## 2. Ein Monat, Stunde für Stunde

Wie viele Fahrten begannen in jeder Stunde des Januar?

```sql
SELECT date_trunc('hour', tpep_pickup_datetime) AS hour,
       count(*) AS trips
FROM 'https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet'
WHERE tpep_pickup_datetime >= '2025-01-01'
  AND tpep_pickup_datetime <  '2025-02-01'
GROUP BY 1
ORDER BY 1;
```

Die Abfrage aggregiert alle 3,5 Millionen Zeilen in wenigen Sekunden zu 744 – eine pro
Stunde des Monats. Wechseln Sie zu **Diagramm**: Die erste Spalte ist ein
Zeitstempel, also zeichnet DuckLocal ein Flächendiagramm über die Zeit. Jeder Tag
erscheint als Gipfel, und die Gipfel steigen und fallen mit der Woche; die
verkehrsreichste Stunde des Monats war 18:00 am Donnerstag, 16. Januar, mit
13.288 Fahrten.

Zwei Feinheiten machen das Diagramm ehrlich:

- **Die `WHERE`-Klausel.** Zweiundzwanzig Fahrten in der Datei begannen
  außerhalb des Januar: 21 an Silvester, eine 44 Sekunden nach Beginn des
  Februar. Ohne den Filter fügen sie vier verirrte Stunden an den Enden des
  Diagramms hinzu.
- **`ORDER BY 1`.** Diagramme zeichnen Zeilen in der Reihenfolge, in der die
  Abfrage sie zurückgibt. `GROUP BY` verspricht keine Reihenfolge, ohne diese
  Angabe würde die Linie im Zickzack laufen.

744 Punkte liegen unter dem Grenzwert von 1.500 Punkten des Diagramms, jede
Stunde wird also so gezeichnet, wie sie ist, statt in Buckets gemittelt zu
werden. Prüfen Sie den Titel des Diagramms: Er sagt, wie viele Punkte gezeichnet
wurden.

## 3. Die Form eines Tages

Falten Sie den Monat zu einem einzigen Tag: Fahrten nach Stunde des Tages, 00:00
bis 23:00.

```sql
SELECT format('{:02d}:00', hour(tpep_pickup_datetime)) AS pickup_hour,
       count(*) AS trips
FROM 'https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet'
GROUP BY 1
ORDER BY 1;
```

**Diagramm** zeichnet jetzt 24 Balken. Am ruhigsten ist die Stadt um 04:00 (20.033
Fahrten im ganzen Monat), am geschäftigsten um 18:00 (267.951) – mehr als
dreizehnmal so viele.

::: warning Warum die Stunde Text ist
Das Label wird absichtlich mit `format('{:02d}:00', …)` gebaut. Das
Ergebnisdiagramm zeichnet die **erste numerische Spalte** – und ein einfaches
`hour(…)` ist eine Zahl. Sie würde zu den Balkenhöhen, und Sie bekämen eine
ordentliche Treppe von 0 bis 23 statt der Fahrtzahlen. Eine Text-Spalte an erster
Stelle ist ein Label, nie ein Wert. Nullen auffüllen (`04:00`, nicht `4:00`)
hält den Text unter `ORDER BY` in der richtigen Reihenfolge.
:::

## 4. Wer gibt Trinkgeld?

Trinkgeld als Anteil des Fahrpreises, danach, wie die Fahrt bezahlt wurde:

```sql
SELECT CASE payment_type
         WHEN 1 THEN 'Credit card' WHEN 2 THEN 'Cash'
         WHEN 3 THEN 'No charge'   WHEN 4 THEN 'Dispute'
         ELSE 'Other'
       END AS payment,
       round(100 * avg(tip_amount / fare_amount), 1) AS tip_pct,
       count(*) AS trips
FROM 'https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet'
WHERE fare_amount > 0
GROUP BY 1
ORDER BY trips DESC;
```

| payment | tip_pct | trips |
| --- | --- | --- |
| Credit card | 26.8 | 2444292 |
| Other | 2.7 | 455288 |
| Cash | 0.0 | 375850 |
| Dispute | 0.0 | 38787 |
| No charge | 0.1 | 15493 |

Kartenzahler geben etwa 27 % des Fahrpreises als Trinkgeld, Barzahler
anscheinend nichts. Das sind die Daten, nicht die Fahrgäste: Der Meter erfasst
nur Trinkgelder, die per Karte bezahlt werden. Ein Bar-Trinkgeld geht in die Hand
des Fahrers und erreicht nie die Datei. Zu wissen, woher eine Spalte kommt, ist
so wichtig wie das SQL.

`WHERE fare_amount > 0` hält Erstattungen und Fahrten mit Fahrpreis null davon
ab, durch null zu teilen oder das Vorzeichen umzudrehen. Das Diagramm zeichnet
`tip_pct`, weil es die erste numerische Spalte ist – setzen Sie `trips` nach
vorn, um stattdessen das Volumen darzustellen.

## 5. Als Dashboard behalten

Drei Abfragen, die man gern erneut ausführt, gehören in ein [Dashboard](dashboards.md).
Laden Sie [nyc-taxi.dash](https://ducklocal.app/docs/samples/nyc-taxi.dash)
herunter: Es enthält den stündlichen Verlauf, die Balken nach Tagesstunde, das
Trinkgeld-Diagramm und eine Tabelle mit den Zahlen dahinter. Ziehen Sie es auf
das DuckLocal-Fenster, und es öffnet sich als Tab, der jede Abfrage ausführt und
jeden Plot zeichnet.

Weil das SQL eine absolute `https://`-Adresse liest, funktioniert die Datei,
egal wie und wo sie geöffnet wird. Bevor Sie sie teilen, kann `ducklocal check`
jede Abfrage ausführen, um zu belegen, dass sie funktioniert:

```bash
ducklocal check nyc-taxi.dash                         # syntax and references only
ducklocal check nyc-taxi.dash --database any.duckdb   # also runs each query
```

## 6. Dasselbe aus einem Terminal

Die CLI antwortet ohne Fenster, so würde ein KI-Agent fragen:

```bash
ducklocal query --format md --sql "
  SELECT format('{:02d}:00', hour(tpep_pickup_datetime)) AS pickup_hour,
         count(*) AS trips
  FROM 'https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2025-01.parquet'
  GROUP BY 1 ORDER BY trips DESC LIMIT 3"
```

## Weiter

- **Offline arbeiten, oder schneller.** Jede Abfrage liest die benötigten Spalten
  erneut über das Netzwerk. Um eine Kopie zu behalten, führen Sie das `SELECT *`
  aus Schritt 1 ohne `LIMIT` aus und nutzen **Parquet exportieren…** – ziehen Sie dann
  die lokale Datei hinein, und sie wird zu einer View, die Sie über ihren Namen
  abfragen können.
- **Mehr Monate.** Die Dateien folgen einem Muster, `yellow_tripdata_YYYY-MM.parquet`.
  DuckDB liest eine Liste davon als eine Tabelle:
  `FROM read_parquet(['https://…/yellow_tripdata_2025-01.parquet', 'https://…/yellow_tripdata_2025-02.parquet'])`.
  Ein Glob (`*`) funktioniert über einfaches HTTPS nicht, weil ein Webserver
  nicht aufgelistet werden kann; auf [S3](s3.md) funktioniert es.
- **Zonen.** `PULocationID` und `DOLocationID` sind Taxi-Zonennummern; die NYC
  Taxi & Limousine Commission (TLC) veröffentlicht die Nachschlagetabelle, die
  sie benennt.

Die Daten werden von der
[TLC](https://www.nyc.gov/site/tlc/about/tlc-trip-record-data.page) veröffentlicht,
die auch jede Spalte dokumentiert.
