Inicio rápido de DataStore

Empiece a usar DataStore: instalación, migración en una sola línea desde pandas y uso básico

Empiece a usar DataStore en cuestión de minutos. Esta guía cubre la instalación, la migración desde pandas y los patrones de uso básicos.

​

Instalación

Instala chDB con pip:

pip install "chdb>=4.0"

Para las dependencias opcionales:

# Para compatibilidad con pandas DataFrame
pip install "chdb[pandas]>=4.0"

# Para compatibilidad con PyArrow
pip install "chdb[arrow]>=4.0"

# Todas las dependencias opcionales
pip install "chdb[all]>=4.0"

​

Verifica la instalación

import chdb
print(chdb.__version__)  # Debería imprimir 4.x.x o superior

from chdb import datastore as pd
print("DataStore ready!")

​

Migración en una sola línea desde Pandas

La forma más sencilla de empezar a usar DataStore es cambiar la instrucción de importación:

# Antes (pandas)
import pandas as pd

# Después (DataStore)
from chdb import datastore as pd

¡Eso es todo! Su código actual de pandas ahora usará DataStore y aprovechará la optimización de SQL.

​

Ejemplo de migración

from pathlib import Path
Path("employees.csv").write_text("""\
name,age,city,salary,department,dept_id,status,email
Alice,28,NYC,75000,Engineering,1,active,[e-mail]
Bob,35,LA,85000,Engineering,1,active,[e-mail]
Charlie,52,NYC,95000,Product,2,active,[e-mail]
Diana,32,SF,70000,Design,3,active,[e-mail]
Eve,23,LA,48000,Product,2,inactive,[e-mail]
""")

# Código pandas original
import pandas as pd

df = pd.read_csv("employees.csv")
result = (df[df['salary'] > 50000]
          .groupby('department')['salary']
          .agg(['mean', 'count'])
          .sort_values('mean', ascending=False))
print(result)

# Versión DataStore - ¡solo cambia la importación!
from chdb import datastore as pd

df = pd.read_csv("employees.csv")
result = (df[df['salary'] > 50000]
          .groupby('department')['salary']
          .agg(['mean', 'count'])
          .sort_values('mean', ascending=False))
print(result)  # ¡Mismo resultado, ejecución más rápida!

​

Uso básico

​

Crear un DataStore

from chdb import datastore as pd

# Desde un diccionario
ds = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [25, 30, 35],
    'city': ['NYC', 'LA', 'NYC']
})

# Desde un pandas DataFrame
import pandas
pdf = pandas.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})
ds = pd.DataFrame(pdf)

# Desde un archivo CSV
ds = pd.read_csv("data.csv")

# Desde un archivo Parquet (recomendado para conjuntos de datos grandes)
ds = pd.read_parquet("data.parquet")

​

Filtrado de datos

from chdb import datastore as pd

ds = pd.read_csv("employees.csv")

# Condición única
senior = ds[ds['age'] > 30]

# Múltiples condiciones (AND)
senior_nyc = ds[(ds['age'] > 30) & (ds['city'] == 'NYC')]

# Múltiples condiciones (OR)
young_or_senior = ds[(ds['age'] < 25) | (ds['age'] > 50)]

# Usando el método filter (estilo SQL)
result = ds.filter(ds['salary'] > 50000)

​

Selección de columnas

# Estilo Pandas
subset = ds[['name', 'age']]

# Estilo SQL
subset = ds.select('name', 'age')

​

Ordenación

# Estilo Pandas
sorted_ds = ds.sort_values('salary', ascending=False)

# Estilo SQL
sorted_ds = ds.sort('salary', ascending=False)

​

Agrupación y agregación

from pathlib import Path
Path("sales.csv").write_text("""\
region,product,category,amount,quantity,price,date,order_id
East,Widget,Electronics,5200,10,120,2024-01-15,1001
West,Gadget,Electronics,800,5,160,2024-02-20,1002
East,Gizmo,Home,6500,3,100,2024-03-10,1003
North,Widget,Electronics,4500,6,150,2024-06-18,1004
West,Gadget,Electronics,2000,8,250,2024-09-14,1005
""")

from chdb import datastore as pd

ds = pd.read_csv("sales.csv")

# Agrupar por una sola columna
by_region = ds.groupby('region')['amount'].sum()

# Agrupar por múltiples columnas
by_region_product = ds.groupby(['region', 'product']).agg({
    'amount': ['sum', 'mean'],
    'quantity': 'sum'
})

# Múltiples agregaciones
summary = ds.groupby('category').agg({
    'price': ['min', 'max', 'mean'],
    'quantity': 'sum'
})

​

Combinación de DataStores

from pathlib import Path
Path("departments.csv").write_text("""\
dept_id,department_name
1,Engineering
2,Product
3,Design
""")

from chdb import datastore as pd

employees = pd.read_csv("employees.csv")
departments = pd.read_csv("departments.csv")

# Inner join
result = employees.join(departments, on='dept_id', how='inner')

# Left join
result = employees.join(departments, on='dept_id', how='left')

# Usando merge (estilo pandas)
result = pd.merge(employees, departments, on='dept_id')

​

Obtener resultados

DataStore utiliza evaluación diferida: las operaciones no se ejecutan hasta que necesitas los resultados.

​

Desencadenar la ejecución

# Disparadores automáticos
print(ds)           # Mostrar resultados
len(ds)             # Obtener el número de filas
ds.columns          # Acceder a propiedades
list(ds)            # Convertir a lista

# Conversión explícita
df = ds.to_df()     # Convertir a pandas DataFrame
df = ds.to_pandas() # Equivalente a to_df()

​

Ver el SQL generado

Query

# Ver qué SQL ejecutará DataStore
query = ds.filter(ds['age'] > 25).groupby('city').agg({'salary': 'mean'})
print(query.to_sql())

Response

SELECT city, AVG(salary) AS mean
FROM file('data.csv', 'CSVWithNames')
WHERE age > 25
GROUP BY city

​

Trabajar con distintas fuentes de datos

​

Archivos locales

from chdb import datastore as pd

# CSV
ds = pd.read_csv("data.csv")

# Parquet (mejor rendimiento)
ds = pd.read_parquet("data.parquet")

# JSON
ds = pd.read_json("data.json")

​

Almacenamiento en la nube

from chdb.datastore import DataStore

# S3 (anónimo)
ds = DataStore.uri("s3://bucket/data.parquet?nosign=true")

# S3 (con credenciales)
ds = DataStore.from_s3(
    "s3://bucket/data.parquet",
    access_key_id="KEY",
    secret_access_key="SECRET"
)

# HTTP/HTTPS
ds = DataStore.uri("https://example.com/data.csv")

​

Bases de datos

from chdb.datastore import DataStore

# MySQL
ds = DataStore.from_mysql(
    host="localhost",
    database="mydb",
    table="users",
    user="root",
    password="pass"
)

# PostgreSQL
ds = DataStore.from_postgresql(
    host="localhost",
    database="mydb",
    table="users",
    user="postgres",
    password="pass"
)

# Usando URI
ds = DataStore.uri("mysql://user:pass@localhost:3306/mydb/users")

​

Operaciones con cadena y DateTime

​

Operaciones con cadenas

# Todos los métodos .str de pandas funcionan
ds['name_upper'] = ds['name'].str.upper()
ds['name_len'] = ds['name'].str.len()
ds['has_a'] = ds['name'].str.contains('a')

​

Operaciones de DateTime

# Todos los métodos .dt de pandas funcionan
ds['year'] = ds['date'].dt.year
ds['month'] = ds['date'].dt.month
ds['day_of_week'] = ds['date'].dt.dayofweek

​

Extensiones de ClickHouse

# Análisis de URL (¡no disponible en pandas!)
ds['domain'] = ds['url'].url.domain()

# Extracción de JSON
ds['user_name'] = ds['json_data'].json.get_string('name')

# Operaciones con direcciones IP
ds['is_ipv4'] = ds['ip_addr'].ip.is_ipv4_string()

​

Buenas prácticas

​

1. Usar Parquet para archivos grandes

# CSV - más lento, lee el archivo completo
ds = pd.read_csv("large_data.csv")

# Parquet - más rápido, formato columnar, lee solo las columnas necesarias
ds = pd.read_parquet("large_data.parquet")

​

2. Filtrar desde el principio

# Bien - filtrar primero, luego agregar
result = (ds
    .filter(ds['date'] >= '2024-01-01')
    .groupby('category')['amount'].sum()
)

# Menos óptimo - agregar primero
result = ds.groupby('category')['amount'].sum()

​

3. Selecciona solo las columnas necesarias

# Bueno - seleccionar columnas específicas
result = ds.select('name', 'age', 'city').filter(ds['age'] > 25)

# Menos óptimo - trabajar con todas las columnas
result = ds.filter(ds['age'] > 25)

​

4. Usa SQL para operaciones complejas

# Para consultas complejas, usar SQL directamente
ds = DataStore()
result = ds.sql("""
    SELECT category, 
           SUM(amount) as total,
           COUNT(*) as count,
           AVG(amount) as avg
    FROM file('sales.csv', 'CSVWithNames')
    WHERE date >= '2024-01-01'
    GROUP BY category
    HAVING total > 10000
    ORDER BY total DESC
    LIMIT 10
""")

​

Siguientes pasos

• Conozca todos los métodos de fábrica para crear un DataStore
• Explore Construcción de consultas para operaciones al estilo SQL
• Consulte Accessors para cadenas, fechas y horas, entre otros
• Lea la Performance Guide para obtener consejos de optimización