引言：一个每天都在发生的痛点

你是否遇到过这样的场景：业务方跑过来要一份报表，数据源是"长表"格式——每一行是一条记录，渠道、月份、金额各占一列。但领导要看的是"宽表"——月份为行，各渠道为列，一眼对比清楚。

在过去，这需要 Python + Pandas：写 pivot() 或 groupby().unstack()，处理缺失值，调试索引……一套流程下来，半小时起步。

今天我们来聊聊 DuckDB 的原生 PIVOT/UNPIVOT 语法。一条 SQL 搞定，零依赖，性能还比 Pandas 快 10 倍以上。

一、PIVOT：长表转宽表

1.1 基础语法

DuckDB 的 PIVOT 语法非常直观：

PIVOT table_name
ON pivot_column
USING aggregate_function(value_column)
GROUP BY group_columns;

1.2 完整实战示例

假设你有以下销售数据（长表格式）：

| month  | channel | amount |
|--------|---------|--------|
| 2026-01 | 天猫     | 150000 |
| 2026-01 | 京东     | 98000  |
| 2026-01 | 抖音     | 220000 |
| 2026-02 | 天猫     | 180000 |
| 2026-02 | 京东     | 110000 |
| 2026-02 | 抖音     | 195000 |
| 2026-03 | 天猫     | 205000 |
| 2026-03 | 京东     | 125000 |
| 2026-03 | 抖音     | 240000 |

一条 SQL 转换为宽表：

PIVOT sales
ON channel
USING SUM(amount)
GROUP BY month;

输出结果：

| month  |  天猫  |  京东  |  抖音  |
|--------|--------|--------|--------|
| 2026-01 | 150000 |  98000 | 220000 |
| 2026-02 | 180000 | 110000 | 195000 |
| 2026-03 | 205000 | 125000 | 240000 |

1.3 Python 完整代码

import duckdb

con = duckdb.ATTACH ("ecommerce.db")

# 创建测试数据
con.execute("""