# Exemple : 3,5 millions de courses de taxi via HTTPS

> Interrogez un Parquet de 3,5 millions de lignes via HTTPS avec DuckDB SQL, puis tracez les courses par heure et par type de paiement.

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

La ville de New York publie chaque course de taxi jaune dans un fichier Parquet. Janvier 2025
tient dans un seul fichier de 59 Mo comptant 3 475 226 lignes, et DuckLocal peut l'interroger là
où il se trouve : pas d'étape de téléchargement, pas de cluster, pas d'import. Cette visite guidée
le mène d'un premier coup d'œil à trois graphiques et un tableau de bord, une requête à la fois. Pour
le flux de travail plus général centré sur les fichiers, voir [l'analyse de données locales avec DuckDB SQL](https://ducklocal.app/use-cases/local-data-analysis/).

Ce guide suppose que vous avez suivi [Vos 10 premières minutes](tutorial.md) ou que vous connaissez
déjà les bases : appuyer sur **⌘↵** (Ctrl+Entrée sous Windows et Linux) exécute la requête de
l'éditeur, et la zone de résultats comporte un onglet **Chart**.

Le fichier :

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

::: tip Réseau
La première requête sur une adresse `https://` fait télécharger à DuckDB son
extension `httpfs` : vous devez donc être en ligne une fois. Ensuite, chaque requête ne lit
que les parties du fichier dont elle a besoin — un fichier Parquet garde chaque colonne à part, et
DuckDB demande des plages d'octets plutôt que le fichier entier.
:::

## 1. Regarder avant d'interroger

Collez ceci dans un onglet de requête et appuyez sur **⌘↵** :

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

Cent lignes, vingt colonnes : heures de prise en charge et de dépose, distance, montant de la
course, pourboire, zones de prise en charge et de dépose, et le mode de paiement du passager. Pour
voir chaque colonne avec son type au lieu de faire défiler horizontalement, utilisez `DESCRIBE` sur
la même requête :

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

Celles qui servent ci-dessous :

| Colonne | Type | Signification |
| --- | --- | --- |
| `tpep_pickup_datetime` | TIMESTAMP | Le moment où le compteur démarre |
| `fare_amount` | DOUBLE | Le montant au compteur, en dollars |
| `tip_amount` | DOUBLE | Le pourboire, en dollars — par carte uniquement, voir l'étape 4 |
| `payment_type` | BIGINT | `1` carte bancaire, `2` espèces, `3` sans frais, `4` litige |

## 2. Un mois, heure par heure

Combien de courses ont commencé à chaque heure de janvier ?

```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;
```

Elle agrège les 3,5 millions de lignes en 744 — une par heure du mois — en quelques
secondes. Basculez sur **Chart** : la première colonne est un horodatage, donc
DuckLocal dessine un graphique en aires dans le temps. Chaque journée apparaît comme un pic, et les
pics montent et descendent avec la semaine ; l'heure la plus chargée du mois fut 18:00 le
jeudi 16 janvier, avec 13 288 courses.

Deux détails rendent le graphique honnête :

- **La clause `WHERE`.** Vingt-deux courses du fichier ont commencé en dehors de
  janvier : 21 le soir de la Saint-Sylvestre, une 44 secondes après le début de février. Sans le
  filtre, elles ajoutent quatre heures parasites aux extrémités du graphique.
- **`ORDER BY 1`.** Les graphiques tracent les lignes dans l'ordre où la requête les renvoie.
  `GROUP BY` ne promet aucun ordre : sans cette clause, la courbe zigzaguerait.

744 points, c'est moins que la limite de 1 500 points du graphique : chaque heure est donc dessinée
telle quelle plutôt que moyennée en tranches. Vérifiez le titre du graphique : il indique combien
de points ont été tracés.

## 3. La forme d'une journée

Repliez le mois en une seule journée : les courses par heure, de 00:00 à 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;
```

**Chart** dessine maintenant 24 barres. La ville est la plus calme à 04:00 (20 033 courses sur
tout le mois) et la plus active à 18:00 (267 951) — plus de treize fois plus.

::: warning Pourquoi l'heure est du texte
Le libellé est construit avec `format('{:02d}:00', …)` à dessein. Le graphique des
résultats trace la **première colonne numérique** — et un simple `hour(…)` est un nombre.
Il deviendrait la hauteur des barres, et vous obtiendriez un bel escalier de 0 à
23 au lieu du nombre de courses. Une première colonne de texte est un libellé, jamais une valeur.
Le remplissage par des zéros (`04:00`, et non `4:00`) garde le texte dans le bon ordre avec
`ORDER BY`.
:::

## 4. Qui laisse un pourboire ?

Les pourboires en part du montant de la course, selon le mode de paiement :

```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 |

Les passagers qui paient par carte laissent environ 27 % du montant en pourboire ; ceux qui paient
en espèces, apparemment rien. Ce sont les données qui parlent, pas les passagers : le compteur
n'enregistre que les pourboires payés par carte. Un pourboire en espèces passe de la main à la main
et n'atteint jamais le fichier. Savoir d'où vient une colonne compte autant que le SQL.

`WHERE fare_amount > 0` évite que les remboursements et les courses à zéro ne provoquent une
division par zéro ou n'inversent le signe. Le graphique trace `tip_pct` parce que c'est la première
colonne numérique — placez `trips` en premier pour représenter plutôt le volume.

## 5. Le conserver sous forme de tableau de bord

Trois requêtes qui valent la peine d'être relancées ont leur place dans un [tableau de bord](dashboards.md).
Téléchargez [nyc-taxi.dash](https://ducklocal.app/docs/samples/nyc-taxi.dash) :
il contient la tendance horaire, les barres par heure de la journée, le graphique des pourboires et un tableau des
chiffres qui les sous-tendent. Faites-le glisser sur la fenêtre de DuckLocal : il s'ouvre comme un
onglet qui exécute chaque requête et dessine chaque graphique.

Comme le SQL lit une adresse `https://` absolue, le fichier fonctionne quelle que soit
la façon et l'endroit où il est ouvert. Avant de le partager, `ducklocal check` peut exécuter
chaque requête pour prouver qu'il fonctionne :

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

## 6. La même chose depuis un terminal

La CLI répond sans fenêtre, comme le demanderait un agent IA :

```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"
```

## Aller plus loin

- **Travailler hors ligne, ou plus vite.** Chaque requête relit sur le réseau les colonnes dont
  elle a besoin. Pour en garder une copie, exécutez le `SELECT *` de l'étape 1 sans
  `LIMIT` et utilisez **Export Parquet…** — puis faites glisser le fichier local dans la fenêtre : il
  devient une vue que vous pouvez interroger par son nom.
- **Plusieurs mois.** Les fichiers suivent un seul modèle, `yellow_tripdata_YYYY-MM.parquet`.
  DuckDB lit une liste de ces fichiers comme une seule table :
  `FROM read_parquet(['https://…/yellow_tripdata_2025-01.parquet', 'https://…/yellow_tripdata_2025-02.parquet'])`.
  Un glob (`*`) ne fonctionne pas en HTTPS simple, car un serveur web ne peut pas être
  listé ; il fonctionne sur [S3](s3.md).
- **Zones.** `PULocationID` et `DOLocationID` sont des numéros de zone de taxi ; la
  NYC Taxi & Limousine Commission (TLC) publie la table de correspondance qui leur donne un nom.

Les données sont publiées par la
[TLC](https://www.nyc.gov/site/tlc/about/tlc-trip-record-data.page),
qui documente aussi chaque colonne.
