> ## 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.
# Depuración de DataStore
> Depure las operaciones de DataStore con explain(), profiling y logging
DataStore ofrece un conjunto completo de herramientas de depuración para comprender y optimizar sus canalizaciones de datos.
## Resumen de herramientas de depuración
| Herramienta | Propósito | Cuándo usarla |
| ----------- | ------------------------- | ---------------------------------------- |
| `explain()` | Ver el plan de ejecución | Entender qué SQL se ejecutará |
| Profiler | Medir el rendimiento | Detectar operaciones lentas |
| Logging | Ver detalles de ejecución | Diagnosticar comportamientos inesperados |
## Matriz de decisión rápida
| Necesidad | Herramienta | Comando |
| ------------------------ | ----------- | --------------------------- |
| Ver el plan de ejecución | `explain()` | `ds.explain()` |
| Medir el rendimiento | Profiler | `config.enable_profiling()` |
| Depurar consultas SQL | Logging | `config.enable_debug()` |
| Todo lo anterior | Combinado | Ver más abajo |
## Configuración rápida
### Activar toda la depuración
```python theme={null}
from chdb import datastore as pd
from chdb.datastore.config import config
# Enable all debugging
config.enable_debug() # Verbose logging
config.enable_profiling() # Performance tracking
ds = pd.read_csv("data.csv")
result = ds.filter(ds['age'] > 25).groupby('city').agg({'salary': 'mean'})
# View execution plan
result.explain()
# Get profiler report
from chdb.datastore.config import get_profiler
profiler = get_profiler()
profiler.report()
```
***
## Método explain()
Consulta el plan de ejecución antes de ejecutar una consulta.
```python title="Query" theme={null}
ds = pd.read_csv("data.csv")
query = (ds
.filter(ds['amount'] > 1000)
.groupby('region')
.agg({'amount': ['sum', 'mean']})
)
# View plan
query.explain()
```
```text title="Response" theme={null}
Pipeline:
Source: file('data.csv', 'CSVWithNames')
Filter: amount > 1000
GroupBy: region
Aggregate: sum(amount), avg(amount)
Generated SQL:
SELECT region, SUM(amount) AS sum, AVG(amount) AS mean
FROM file('data.csv', 'CSVWithNames')
WHERE amount > 1000
GROUP BY region
```
Consulte la [documentación de explain()](/docs/es/chdb/debugging/explain) para obtener más detalles.
***
## Perfilado
Mide el tiempo de ejecución de cada operación.
```python title="Query" theme={null}
from chdb.datastore.config import config, get_profiler
# Enable profiling
config.enable_profiling()
# Run operations
ds = pd.read_csv("large_data.csv")
result = (ds
.filter(ds['amount'] > 100)
.groupby('category')
.agg({'amount': 'sum'})
.sort('sum', ascending=False)
.head(10)
.to_df()
)
# View report
profiler = get_profiler()
profiler.report(min_duration_ms=0.1)
```
```text title="Response" theme={null}
Performance Report
==================
Step Duration Calls
---- -------- -----
read_csv 1.234s 1
filter 0.002s 1
groupby 0.001s 1
agg 0.089s 1
sort 0.045s 1
head 0.001s 1
to_df (SQL execution) 0.567s 1
---- -------- -----
Total 1.939s 7
```
Consulta la [Guía de perfilado](/docs/es/chdb/debugging/profiling) para más detalles.
***
## Logging
Consulta registros detallados de ejecución.
```python theme={null}
from chdb.datastore.config import config
# Enable debug logging
config.enable_debug()
# Run operations - logs will show:
# - SQL queries generated
# - Execution engine used
# - Cache hits/misses
# - Timing information
```
Ejemplo de salida de logs:
```text theme={null}
DEBUG - DataStore: Creating from file 'data.csv'
DEBUG - Query: SELECT region, SUM(amount) FROM ... WHERE amount > 1000 GROUP BY region
DEBUG - Engine: Using chdb for aggregation
DEBUG - Execution time: 0.089s
DEBUG - Cache: Storing result (key: abc123)
```
Consulte [Configuración de logging](/docs/es/chdb/debugging/logging) para más detalles.
***
## Escenarios comunes de solución de problemas
### 1. La consulta no devuelve los resultados esperados
```python theme={null}
# Step 1: View the execution plan
query = ds.filter(ds['age'] > 25).groupby('city').sum()
query.explain(verbose=True)
# Step 2: Enable logging to see SQL
config.enable_debug()
# Step 3: Run and check logs
result = query.to_df()
```
### 2. Consulta lenta
```python theme={null}
# Step 1: Enable profiling
config.enable_profiling()
# Step 2: Run your query
result = process_data()
# Step 3: Check profiler report
profiler = get_profiler()
profiler.report()
# Step 4: Identify slow operations and optimize
```
### 3. Comprender la selección del motor
```python theme={null}
# Enable verbose logging
config.enable_debug()
# Run operations
result = ds.filter(ds['x'] > 10).apply(custom_func)
# Logs will show which engine was used for each operation:
# DEBUG - filter: Using chdb engine
# DEBUG - apply: Using pandas engine (custom function)
```
### 4. Depuración de problemas de caché
```python theme={null}
# Enable debug to see cache operations
config.enable_debug()
# First run
result1 = ds.filter(ds['x'] > 10).to_df()
# LOG: Cache miss, executing query
# Second run (should use cache)
result2 = ds.filter(ds['x'] > 10).to_df()
# LOG: Cache hit, returning cached result
# If not caching when expected, check:
# - Are operations identical?
# - Is cache enabled? config.cache_enabled
```
***
## Buenas prácticas
### 1. Depura en desarrollo, no en producción
```python theme={null}
# Development
config.enable_debug()
config.enable_profiling()
# Production
config.set_log_level(logging.WARNING)
config.set_profiling_enabled(False)
```
### 2. Usa explain() antes de ejecutar consultas grandes
```python theme={null}
# Build query
query = ds.filter(...).groupby(...).agg(...)
# Check plan first
query.explain()
# If plan looks good, execute
result = query.to_df()
```
### 3. Mide el rendimiento antes de optimizar
```python theme={null}
# Don't guess what's slow - measure it
config.enable_profiling()
result = your_pipeline()
get_profiler().report()
```
### 4. Revisa el SQL si los resultados son incorrectos
```python theme={null}
# View generated SQL
print(query.to_sql())
# Compare with expected SQL
# Run SQL directly in ClickHouse to verify
```
***
## Resumen de herramientas de depuración
| Herramienta | Comando | Salida |
| -------------------- | --------------------------- | ----------------------------- |
| Plan de ejecución | `ds.explain()` | Pasos de ejecución + SQL |
| Explain detallado | `ds.explain(verbose=True)` | + metadatos |
| Ver SQL | `ds.to_sql()` | Cadena de consulta SQL |
| Habilitar depuración | `config.enable_debug()` | logs detallados |
| Habilitar perfilado | `config.enable_profiling()` | Datos de temporización |
| Informe del Profiler | `get_profiler().report()` | Resumen de rendimiento |
| Reiniciar Profiler | `get_profiler().reset()` | Borrar datos de temporización |
***
## Próximos pasos
* [Método explain()](/docs/es/chdb/debugging/explain) - Documentación detallada del plan de ejecución
* [Guía de perfilado](/docs/es/chdb/debugging/profiling) - Medición del rendimiento
* [Configuración de logging](/docs/es/chdb/debugging/logging) - Configuración del nivel de log y del formato