在資料分析領域中，Pandas、Polars 與 DuckDB 是三個常見且強大的工具。它們各自有不同的語法特色與執行速度，適合不同的使用情境。以下將對這三個工具進行比較，並給予使用建議。
參考資源：https://youtu.be/cgWHPTx0wjw
Pandas 是在 Python 中最成熟、最被廣泛使用的資料處理工具，設計上強調易用性和靈活性。幾乎任何 Python 資料處理相關的套件都支援 Pandas 的格式，並且擁有豐富的套件奠基於其之上，如專門處理地理資訊資料的 GeoPandas。
Polars 是一個基於 Rust 程式語言的資料處理套件，設計上強調高效能和低記憶體使用。它使用 Apache Arrow 格式來儲存資料，這使得資料處理速度非常快。近期與 Python 上主流套件（例如視覺化、機器學習套件等）的整合性越來越好，不需要進行格式轉換即可直接與既有工作流程搭配。
DuckDB 是一個內嵌式的資料庫系統，設計上強調 SQL 查詢的高效能。它適合處理大型資料集，並且可以直接在本地環境執行。在 Python 環境中，DuckDB 若要進行視覺化或機器學習等資料科學領域的應用，需要將格式轉換為 Pandas 或 Polars 類型，不像其他兩個套件可以直接使用。
Pandas 使用 Python 語法，操作簡單直觀。它是這三個套件中唯一有列索引編號的，儘管強大卻非常複雜。
Polars 的語法與 Pandas 類似，但更強調表達式的使用。表達式的概念讓其更容易將不同資料操作方法相互組合與運用。它的 API 設計簡潔，支援鏈式操作，這使得程式碼更具可讀性。在初期學習上門檻稍高，但一旦熟悉後會發現其進行複雜操作時較為直覺簡易。可使用 Rust 程式語言的外掛。
DuckDB 使用 SQL 語法，適合有 SQL 基礎的使用者。它支援標準的 SQL 查詢語法，並且可以與 Pandas 結合使用，將查詢結果轉換為 DataFrame。雖然 SQL 本身強大，但進行複雜的分析操作時反而較為繁瑣不直觀。另外其列順序是不固定的，需要特別指定排序。可使用 C++ 程式語言的外掛。
Pandas 僅支援 Eager execution（立即執行操作並回傳結果），且僅支援單核運算。此外，一次可載入的資料集受限於記憶體的大小。因此，其執行速度在處理小型到中型資料集時表現良好，但在處理大型資料集時可能會遇到效能瓶頸。
Polars 支援 Eager execution 與 Lazy execution（明確要求執行操作時才會進行運算並回傳結果），可支援多核心與 GPU 運算。Lazy execution 的特性使其能夠針對操作進行最佳化後再執行運算，結合其優秀的記憶體管理，Polars 的執行速度非常快，特別是在處理大型資料集時表現尤為突出，並能處理超過記憶體大小的資料集。
DuckDB 支援 Lazy execution 與平行運算，也能根據操作進行最佳化再執行運算，因此在處理大型資料集時，執行速度非常優秀，特別是在進行複雜的 SQL 查詢。它也能處理超過記憶體大小的資料集。此外，它的內嵌式設計使得資料處理更加便捷。
適合初學者和需要靈活處理小型到中型資料集的使用者。Pandas 的豐富功能和簡單語法使其成為資料分析的入門首選。同時 Pandas 適用於需要廣泛生態圈相容（如 GeoPandas）、處理複雜資料型態（例如稀疏矩陣、複數等）的使用者。
適合需要高效能處理大型資料集（如對於執行速度、記憶體使用）的使用者。Polars 的高效能和低記憶體使用使其成為處理大數據的理想選擇。此外，對於程式碼可讀性要求較高的使用者建議可使用 Polars。
適合習慣使用 SQL 進行資料分析、需要進行複雜 SQL 查詢和處理大型資料集的使用者。DuckDB 的 SQL 支援和高效能查詢能力使其成為資料庫查詢的強大工具。由於 SQL 是相對穩定的指令語言，因此在大語言模型上會有較好的表現，很容易透過大語言模型查詢 SQL 的使用方法，因此在大語言模型整合要求較高的情境也建議優先考慮 DuckDB。此外 DuckDB 也適合作為利用 Pandas 與 Polars 進行資料分析前的前處理工具。
總結來說，Pandas、Polars 與 DuckDB 各有優勢，使用者可以根據具體需求選擇合適的工具來進行資料分析。它們三者並非完全是互相取代的關係，而是彼此互補，因此建議使用者可以在新專案時嘗試新工具，而非將現有的專案直接搬遷到另一個套件生態圈。此外，這三個套件間的相容性隨著開發過程中已越來越高，讓使用者可以在專案中根據情境選擇適合的套件無痛轉換。
