> ## Documentation Index
> Fetch the complete documentation index at: https://clickhouse.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# الاختلافات الرئيسية مقارنةً بـ pandas

> اختلافات مهمة بين DataStore وpandas

رغم أن DataStore متوافق إلى حدٍ كبير مع pandas، فهناك اختلافات مهمة ينبغي فهمها.

<div id="summary">
  ## الجدول الملخّص
</div>

| Aspect            | pandas                   | DataStore                                                                            |
| ----------------- | ------------------------ | ------------------------------------------------------------------------------------ |
| **التنفيذ**       | فوري (مباشر)             | مؤجل (عند الحاجة)                                                                    |
| **أنواع الإرجاع** | DataFrame/Series         | DataStore/ColumnExpr                                                                 |
| **ترتيب الصفوف**  | محفوظ                    | محفوظ (تلقائيًا)؛ غير مضمون في [وضع الأداء](/docs/ar/chdb/configuration/performance-mode) |
| **inplace**       | مدعوم                    | غير مدعوم                                                                            |
| **الفهرس**        | دعم كامل                 | مبسّط                                                                                |
| **الذاكرة**       | جميع البيانات في الذاكرة | البيانات في المصدر                                                                   |

***

<div id="lazy-execution">
  ## 1. التنفيذ المؤجل مقابل التنفيذ الفوري
</div>

<div id="pandas-eager">
  ### pandas (التنفيذ الفوري)
</div>

تُنفَّذ العمليات مباشرةً:

```python theme={null}
import pandas as pd

df = pd.read_csv("data.csv")  # Loads entire file NOW
result = df[df['age'] > 25]   # Filters NOW
grouped = result.groupby('city')['salary'].mean()  # Aggregates NOW
```

<div id="datastore-lazy">
  ### DataStore (مؤجل)
</div>

تُؤجَّل العمليات حتى تدعو الحاجة إلى النتائج:

```python theme={null}
from chdb import datastore as pd

ds = pd.read_csv("data.csv")  # Just records the source
result = ds[ds['age'] > 25]   # Just records the filter
grouped = result.groupby('city')['salary'].mean()  # Just records

# Execution happens here:
print(grouped)        # Executes when displaying
df = grouped.to_df()  # Or when converting to pandas
```

<div id="why-lazy">
  ### لماذا يُعد هذا مهمًا
</div>

يُمكّن التنفيذ المؤجل مما يلي:

* **تحسين الاستعلامات**: تُجمَّع عمليات متعددة في استعلام SQL واحد
* **استبعاد الأعمدة غير اللازمة**: لا تُقرأ إلا الأعمدة المطلوبة
* **تطبيق عوامل التصفية عند المصدر**: تُطبَّق عوامل التصفية عند المصدر
* **كفاءة الذاكرة**: لا تُحمِّل بيانات لا تحتاج إليها

***

<div id="return-types">
  ## 2. أنواع الإرجاع
</div>

<div id="pandas-return-types">
  ### pandas
</div>

```python theme={null}
df['col']           # Returns pd.Series
df[['a', 'b']]      # Returns pd.DataFrame
df[df['x'] > 10]    # Returns pd.DataFrame
df.groupby('x')     # Returns DataFrameGroupBy
```

<div id="datastore-return-types">
  ### DataStore
</div>

```python theme={null}
ds['col']           # Returns ColumnExpr (lazy)
ds[['a', 'b']]      # Returns DataStore (lazy)
ds[ds['x'] > 10]    # Returns DataStore (lazy)
ds.groupby('x')     # Returns LazyGroupBy
```

<div id="converting-to-pandas-types">
  ### التحويل إلى أنواع بيانات pandas
</div>

```python theme={null}
# Get pandas DataFrame
df = ds.to_df()
df = ds.to_pandas()

# Get pandas Series from column
series = ds['col'].to_pandas()

# Or trigger execution
print(ds)  # Automatically converts for display
```

***

<div id="triggers">
  ## 3. محفزات التنفيذ
</div>

يُنفَّذ DataStore عندما تحتاج إلى القيم الفعلية:

| المحفّز              | مثال               | ملاحظات                |
| -------------------- | ------------------ | ---------------------- |
| `print()` / `repr()` | `print(ds)`        | يتطلب العرض بيانات     |
| `len()`              | `len(ds)`          | يتطلب معرفة عدد الصفوف |
| `.columns`           | `ds.columns`       | يتطلب أسماء الأعمدة    |
| `.dtypes`            | `ds.dtypes`        | يتطلب معلومات الأنواع  |
| `.shape`             | `ds.shape`         | يتطلب الأبعاد          |
| `.values`            | `ds.values`        | يتطلب البيانات الفعلية |
| `.index`             | `ds.index`         | يتطلب الفهرس           |
| `to_df()`            | `ds.to_df()`       | تحويل صريح             |
| التكرار              | `for row in ds`    | يتطلب التكرار          |
| `equals()`           | `ds.equals(other)` | يتطلب المقارنة         |

<div id="stay-lazy">
  ### العمليات التي تظل مؤجلة التنفيذ
</div>

| العملية          | الناتج      |
| ---------------- | ----------- |
| `filter()`       | DataStore   |
| `select()`       | DataStore   |
| `sort()`         | DataStore   |
| `groupby()`      | LazyGroupBy |
| `join()`         | DataStore   |
| `ds['col']`      | ColumnExpr  |
| `ds[['a', 'b']]` | DataStore   |
| `ds[condition]`  | DataStore   |

***

<div id="row-order">
  ## 4. ترتيب الصفوف
</div>

<div id="pandas-return-types">
  ### pandas
</div>

يُحافَظ دائمًا على ترتيب الصفوف:

```python theme={null}
df = pd.read_csv("data.csv")
print(df.head())  # Always same order as file
```

<div id="datastore-return-types">
  ### DataStore
</div>

يُحفَظ ترتيب الصفوف **تلقائيًا** في معظم العمليات:

```python theme={null}
ds = pd.read_csv("data.csv")
print(ds.head())  # Matches file order

# Filter preserves order
ds_filtered = ds[ds['age'] > 25]  # Same order as pandas
```

يتتبع DataStore تلقائيًا مواضع الصفوف الأصلية داخليًا (باستخدام `rowNumberInAllBlocks()`) لضمان اتساق ترتيبها مع pandas.

<div id="order-preserved">
  ### عندما يكون الترتيب محفوظًا
</div>

* مصادر الملفات (CSV، Parquet، JSON، إلخ)
* مصادر pandas DataFrame
* عمليات التصفية
* اختيار الأعمدة
* بعد استخدام `sort()` أو `sort_values()` بشكل صريح
* العمليات التي تحدد الترتيب (`nlargest()`، `nsmallest()`، `head()`، `tail()`)

<div id="order-may-differ">
  ### متى قد يختلف الترتيب
</div>

* بعد عمليات التجميع `groupby()` (استخدم `sort_values()` لضمان اتساق الترتيب)
* بعد `merge()` / `join()` مع بعض أنواع الربط
* في **وضع الأداء** (`config.use_performance_mode()`): لا يُضمن ترتيب الصفوف في أي عملية. راجع [وضع الأداء](/docs/ar/chdb/configuration/performance-mode).

***

<div id="no-inplace">
  ## 5. لا توجد معلمة باسم inplace
</div>

<div id="pandas-return-types">
  ### pandas
</div>

```python theme={null}
df.drop(columns=['col'], inplace=True)  # Modifies df
df.fillna(0, inplace=True)              # Modifies df
df.rename(columns={'old': 'new'}, inplace=True)
```

<div id="datastore-return-types">
  ### DataStore
</div>

`inplace=True` غير مدعوم. أسند النتيجة دائمًا:

```python theme={null}
ds = ds.drop(columns=['col'])           # Returns new DataStore
ds = ds.fillna(0)                       # Returns new DataStore
ds = ds.rename(columns={'old': 'new'})  # Returns new DataStore
```

<div id="why-no-inplace">
  ### لماذا لا يوجد inplace؟
</div>

يستخدم DataStore عمليات غير قابلة للتعديل لإتاحة ما يلي:

* بناء الاستعلامات (التقييم المؤجل)
* السلامة في البيئات متعددة الخيوط
* تصحيح الأخطاء بسهولة أكبر
* شيفرة أكثر نظافة

***

<div id="index">
  ## 6. دعم الفهارس
</div>

<div id="pandas-return-types">
  ### pandas
</div>

دعم كامل للفهارس:

```python theme={null}
df = df.set_index('id')
df.loc['user123']           # Label-based access
df.loc['a':'z']             # Label-based slicing
df.reset_index()
df.index.name = 'user_id'
```

<div id="datastore-return-types">
  ### DataStore
</div>

دعم مبسّط للفهارس:

```python theme={null}
# Basic operations work
ds.loc[0:10]               # Integer position
ds.iloc[0:10]              # Same as loc for DataStore

# For pandas-style index operations, convert first
df = ds.to_df()
df = df.set_index('id')
df.loc['user123']
```

<div id="datastore-source-matters">
  ### مصدر DataStore مهم
</div>

* **مصدر DataFrame**: يحافظ على الفهرس في pandas
* **مصدر File**: يستخدم فهرسًا بسيطًا من الأعداد الصحيحة

***

<div id="comparison">
  ## 7. سلوك عمليات المقارنة
</div>

<div id="comparing-with-pandas">
  ### المقارنة مع pandas
</div>

لا يتعرّف pandas على كائنات DataStore:

```python theme={null}
import pandas as pd
from chdb import datastore as ds

pdf = pd.DataFrame({'a': [1, 2, 3]})
dsf = ds.DataFrame({'a': [1, 2, 3]})

# This doesn't work as expected
pdf == dsf  # pandas doesn't know DataStore

# Solution: convert DataStore to pandas
pdf.equals(dsf.to_pandas())  # True
```

<div id="using-equals">
  ### استخدام الدالة equals()
</div>

```python theme={null}
# DataStore.equals() also works
dsf.equals(pdf)  # Compares with pandas DataFrame
```

***

<div id="types">
  ## 8. استدلال النوع
</div>

<div id="pandas-return-types">
  ### pandas
</div>

يستخدم أنواع البيانات في numpy/pandas:

```python theme={null}
df['col'].dtype  # int64, float64, object, datetime64, etc.
```

<div id="datastore-return-types">
  ### DataStore
</div>

يمكنه استخدام أنواع ClickHouse:

```python theme={null}
ds['col'].dtype  # Int64, Float64, String, DateTime, etc.

# Types are converted when going to pandas
df = ds.to_df()
df['col'].dtype  # Now pandas type
```

<div id="explicit-casting">
  ### التحويل الصريح للأنواع
</div>

```python theme={null}
# Force specific type
ds['col'] = ds['col'].astype('int64')
```

***

<div id="memory">
  ## 9. نموذج الذاكرة
</div>

<div id="pandas-return-types">
  ### pandas
</div>

توجد جميع البيانات في الذاكرة:

```python theme={null}
df = pd.read_csv("huge.csv")  # 10GB in memory!
```

<div id="datastore-return-types">
  ### DataStore
</div>

تبقى البيانات في المصدر إلى أن تكون مطلوبة:

```python theme={null}
ds = pd.read_csv("huge.csv")  # Just metadata
ds = ds.filter(ds['year'] == 2024)  # Still just metadata

# Only filtered result is loaded
df = ds.to_df()  # Maybe only 1GB now
```

***

<div id="errors">
  ## 10. رسائل الخطأ
</div>

<div id="different-error-sources">
  ### مصادر الأخطاء المختلفة
</div>

* **أخطاء pandas**: من مكتبة pandas
* **أخطاء DataStore**: من chDB أو ClickHouse

```python theme={null}
# May see ClickHouse-style errors
# "Code: 62. DB::Exception: Syntax error..."
```

<div id="debugging-tips">
  ### نصائح لتصحيح الأخطاء
</div>

```python theme={null}
# View the SQL to debug
print(ds.to_sql())

# See execution plan
ds.explain()

# Enable debug logging
from chdb.datastore.config import config
config.enable_debug()
```

***

<div id="checklist">
  ## قائمة التحقق الخاصة بالترحيل
</div>

عند الترحيل من pandas:

* [ ] غيّر عبارة الاستيراد
* [ ] أزل المعاملات `inplace=True`
* [ ] أضف `to_df()` صراحةً حيث يكون `pandas DataFrame` مطلوبًا
* [ ] أضف الفرز إذا كان ترتيب الصفوف مهمًا
* [ ] استخدم `to_pandas()` في اختبارات المقارنة
* [ ] اختبر باستخدام أحجام بيانات ممثلة

***

<div id="quick-ref">
  ## مرجع سريع
</div>

| pandas                  | DataStore                      |
| ----------------------- | ------------------------------ |
| `df[condition]`         | كما هو (ويُرجع DataStore)      |
| `df.groupby()`          | كما هو (ويُرجع LazyGroupBy)    |
| `df.drop(inplace=True)` | `ds = ds.drop()`               |
| `df.equals(other)`      | `ds.to_pandas().equals(other)` |
| `df.loc['label']`       | `ds.to_df().loc['label']`      |
| `print(df)`             | كما هو (ويؤدي إلى التنفيذ)     |
| `len(df)`               | كما هو (ويؤدي إلى التنفيذ)     |