Data

Data — analýza tabulkových dat přes DuckDB v1.0

Kdy použít

• Ad-hoc analýza datového souboru: agregace, přehledy po období/kategorii, top-N, anomálie, srovnání.
• Opakované spuštění dříve uložené analýzy nad novým exportem stejné struktury.
• Kdy NEpoužít:
  • Tvorba/editace sešitu jako výstupního dokumentu (formátování, vzorce, grafy) → skill na Excel/xlsx.
  • Data v datovém skladu (BigQuery apod.) → dotazuj přímo tam, DuckDB je na lokální soubory.
  • Nesourodé finanční modely (merged cells, hlavičky uprostřed listu) → openpyxl/Read, DuckDB čeká tabulku.

Vstup

• Cesta k souboru + co chceš zjistit. Bez souboru: Glob na .csv/.xlsx/*.json v CWD a zeptej se, který.

Workflow

1. Hledej uložený dotaz. Glob na analyzy/*.sql vedle datového souboru. Pokud existuje dotaz odpovídající zadání, spusť ho (duckdb -c ".read <file>.sql") a nepiš nový. Změnu chtěného výstupu řeš úpravou uloženého souboru, ne novým od nuly.
2. Inspekce před dotazem. Nikdy nehádej názvy ani typy sloupců:

   duckdb -c "SUMMARIZE FROM '<soubor>'"   # schéma + statistiky
   duckdb -c "FROM '<soubor>' LIMIT 5"     # ukázka dat
   

3. Sémantika sloupců. Když z názvů a ukázky není jednoznačné, co sloupec znamená (např. „Částka" — cena za kus, nebo součet řádku?), zeptej se přes AskUserQuestion. Nehádej — špatná domněnka = správně spočítaný nesmysl.
4. Dotaz piš do souboru, ne inline. Založ analyzy/<slug>.sql vedle dat (hlavička: účel, zdrojový soubor, datum, jak spustit) a spusť přes .read. SQL vzniká rovnou reprodukovatelně, ne jako jednorázový -c string.
5. Sanity check výsledku. Než výsledek odevzdáš, zkontroluj řádové nesmysly (marže přes 100 %, záporné počty, tržba nižší než kusy). Nesedí → upozorni a vrať se ke kroku 3, neodevzdávej „správně spočítaný" nesmysl.
6. Výstup. Malý výsledek (do ~20 řádků) jako tabulku do chatu + 1–2 věty interpretace. Větší → COPY (...) TO 'analyzy/<slug>.csv' a do chatu jen shrnutí a cestu.

DuckDB kuchařka (ověřené gotchas)

• XLSX: extension excel (jednou INSTALL excel, pak se autoloaduje). Čtení: FROM 'soubor.xlsx' nebo read_xlsx('soubor.xlsx', ...).
• Chyba „Could not convert string … to DOUBLE": typ odvozen z prvních řádků, dál v souboru je jiný obsah → read_xlsx('...', all_varchar = true) + explicitní CAST jen u sloupců, které dotaz potřebuje. Padá na to i SUMMARIZE z kroku 2 — pak SUMMARIZE FROM read_xlsx('...', all_varchar = true).
• Datum při all_varchar: excelové sériové číslo → DATE '1899-12-30' + CAST(sloupec AS INT).
• České názvy sloupců (diakritika, mezery): v SQL do uvozovek — "Stav zásoby".
• CSV/JSON/Parquet/gzip čte DuckDB přímo (FROM 'soubor.csv'), u CSV s nestandardním oddělovačem read_csv('...', delim=';').
• Syntaxe: duckdb.org/docs/stable/sql/introduction — při nejistotě ověř, nevymýšlej funkce.

Fixní pravidla (non-negotiables)

• Nikdy nepočítej agregace „z hlavy" ani Pythonem ad-hoc — vždy DuckDB. Důvod: reprodukovatelnost a konzistence.
• Nikdy nesypej surová data do kontextu (žádný cat/Read datového souboru) — do kontextu patří jen schéma, ukázka (LIMIT 5) a výsledky. Důvod: tokeny.
• Nikdy nepřepisuj datový soubor. DuckDB pouze čte; výstupy jen do analyzy/.
• Nehádej sémantiku sloupců — viz krok 3.

Output checklist

• Finální SQL uložené v analyzy/<slug>.sql s hlavičkou (účel, zdroj, datum, jak spustit)
• Výsledek prošel sanity checkem, případné podezřelosti explicitně flagnuté
• V odpovědi: výsledek (tabulka/cesta k CSV) + interpretace + cesta k .sql

Changelog

• 2026-07-23 — Vznik skillu (inspirace: LinkedIn post o DuckDB skillu). Oproti postu přidáno: ukládání SQL do analyzy/ (reprodukovatelnost), sanity check výsledků a gotchas z testování na reálném XLSX exportu se smíšenými typy sloupců (all_varchar, excelová sériová data, české sloupce).