> ## 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.

# Migración desde pandas

> Guía paso a paso para migrar de pandas a DataStore

Esta guía le ayudará a migrar su código existente de pandas a DataStore para mejorar el rendimiento sin perder compatibilidad.

<div id="one-line">
  ## La migración en una sola línea
</div>

La migración más sencilla consiste en cambiar la sentencia `import`:

```python theme={null}
# Before (pandas)
import pandas as pd

# After (DataStore)
from chdb import datastore as pd
```

¡Eso es todo! La mayoría del código de pandas funciona sin cambios.

<div id="step-by-step">
  ## Migración paso a paso
</div>

<Steps>
  <Step title="Instalar chDB" id="step-1">
    ```bash theme={null}
    pip install "chdb>=4.0"
    ```
  </Step>

  <Step title="Cambiar la importación" id="step-2">
    ```python theme={null}
    # Cambia esto:
    import pandas as pd

    # Por esto:
    from chdb import datastore as pd
    ```
  </Step>

  <Step title="Probar el código" id="step-3">
    Ejecuta tu código actual. La mayoría de las operaciones funcionan sin cambios:

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

    # Todo esto funciona igual
    df = pd.read_csv("data.csv")
    result = df[df['age'] > 25]
    grouped = df.groupby('city')['salary'].mean()
    df.to_csv("output.csv")
    ```
  </Step>

  <Step title="Abordar las diferencias" id="step-4">
    Algunas operaciones se comportan de forma distinta. Consulta [Diferencias clave](#differences) a continuación.
  </Step>
</Steps>

***

<div id="works-unchanged">
  ## Qué funciona sin cambios
</div>

<div id="loading-unchanged">
  ### Carga interna de datos
</div>

```python theme={null}
# All these work the same
df = pd.read_csv("data.csv")
df = pd.read_parquet("data.parquet")
df = pd.read_json("data.json")
df = pd.read_excel("data.xlsx")
```

<div id="filtering-unchanged">
  ### Filtrado
</div>

```python theme={null}
# Boolean indexing
df[df['age'] > 25]
df[(df['age'] > 25) & (df['city'] == 'NYC')]

# query() method
df.query('age > 25 and salary > 50000')
```

<div id="selection-unchanged">
  ### Selección
</div>

```python theme={null}
# Column selection
df['name']
df[['name', 'age']]

# Row selection
df.head(10)
df.tail(10)
df.iloc[0:100]
```

<div id="groupby-unchanged">
  ### GroupBy y agregación
</div>

```python theme={null}
# GroupBy
df.groupby('city')['salary'].mean()
df.groupby(['city', 'dept']).agg({'salary': ['sum', 'mean']})
```

<div id="sorting-unchanged">
  ### Ordenación
</div>

```python theme={null}
df.sort_values('salary', ascending=False)
df.sort_values(['city', 'age'])
```

<div id="string-unchanged">
  ### Operaciones con cadenas
</div>

```python theme={null}
df['name'].str.upper()
df['name'].str.contains('John')
df['name'].str.len()
```

<div id="datetime-unchanged">
  ### Operaciones con DateTime
</div>

```python theme={null}
df['date'].dt.year
df['date'].dt.month
df['date'].dt.dayofweek
```

<div id="io-unchanged">
  ### Operaciones de E/S
</div>

```python theme={null}
df.to_csv("output.csv")
df.to_parquet("output.parquet")
df.to_json("output.json")
```

***

<div id="differences">
  ## Diferencias clave
</div>

<div id="lazy">
  ### 1. Evaluación diferida
</div>

Las operaciones de DataStore se evalúan de forma diferida: no se ejecutan hasta que se necesitan los resultados.

**pandas:**

```python theme={null}
# Executes immediately
result = df[df['age'] > 25]
print(type(result))  # pandas.DataFrame
```

**DataStore:**

```python theme={null}
# Builds query, doesn't execute yet
result = ds[ds['age'] > 25]
print(type(result))  # DataStore (lazy)

# Executes when you need the data
print(result)        # Triggers execution
df = result.to_df()  # Triggers execution
```

<div id="return-types">
  ### 2. Tipos de retorno
</div>

| Operación         | Resultado en pandas | Resultado en DataStore |
| ----------------- | ------------------- | ---------------------- |
| `df['col']`       | Series              | ColumnExpr (diferido)  |
| `df[['a', 'b']]`  | DataFrame           | DataStore (diferido)   |
| `df[condition]`   | DataFrame           | DataStore (diferido)   |
| `df.groupby('x')` | GroupBy             | LazyGroupBy            |

<div id="no-inplace">
  ### 3. Sin parámetro `inplace`
</div>

DataStore no admite `inplace=True`. Usa siempre el valor devuelto:

**pandas:**

```python theme={null}
df.drop(columns=['col'], inplace=True)
```

**DataStore:**

```python theme={null}
ds = ds.drop(columns=['col'])  # Assign the result
```

<div id="comparing">
  ### 4. Comparación de DataStores
</div>

pandas no reconoce los objetos DataStore, así que utiliza `to_pandas()` para compararlos:

```python theme={null}
# This may not work as expected
df == ds  # pandas doesn't know DataStore

# Do this instead
df.equals(ds.to_pandas())
```

<div id="row-order">
  ### 5. Orden de las filas
</div>

Es posible que DataStore no conserve el orden de las filas en orígenes de archivo (como las bases de datos SQL). Use una ordenación explícita:

```python theme={null}
# pandas preserves order
df = pd.read_csv("data.csv")

# DataStore - use sort for guaranteed order
ds = pd.read_csv("data.csv")
ds = ds.sort('id')  # Explicit ordering
```

***

<div id="patterns">
  ## Patrones de migración
</div>

<div id="pattern-1">
  ### Patrón 1: Leer-analizar-escribir
</div>

```python theme={null}
# pandas
import pandas as pd
df = pd.read_csv("data.csv")
result = df[df['amount'] > 100].groupby('category')['amount'].sum()
result.to_csv("output.csv")

# DataStore - same code works!
from chdb import datastore as pd
df = pd.read_csv("data.csv")
result = df[df['amount'] > 100].groupby('category')['amount'].sum()
result.to_csv("output.csv")
```

<div id="pattern-2">
  ### Patrón 2: DataFrame con operaciones de pandas
</div>

Si necesitas características específicas de pandas, conviértelo al final:

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

# Fast DataStore operations
ds = pd.read_csv("large_data.csv")
ds = ds.filter(ds['date'] >= '2024-01-01')
ds = ds.filter(ds['amount'] > 100)

# Convert to pandas for specific features
df = ds.to_df()
df_pivoted = df.pivot_table(...)  # pandas-specific
```

<div id="pattern-3">
  ### Patrón 3: Flujo de trabajo mixto
</div>

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

# Start with DataStore for fast filtering
ds = pd.read_csv("huge_file.csv")  # 10M rows
ds = ds.filter(ds['year'] == 2024)  # Fast SQL filter
ds = ds.select('col1', 'col2', 'col3')  # Column pruning

# Convert for pandas-specific operations
df = ds.to_df()  # Now only ~100K rows
result = df.apply(complex_custom_function)  # pandas
```

***

<div id="performance">
  ## Comparación de rendimiento
</div>

DataStore es significativamente más rápido con grandes conjuntos de datos:

| Operación         | pandas  | DataStore | Mejora     |
| ----------------- | ------- | --------- | ---------- |
| GroupBy count     | 347ms   | 17ms      | **19.93x** |
| Pipeline complejo | 2,047ms | 380ms     | **5.39x**  |
| Filter+Sort+Head  | 1,537ms | 350ms     | **4.40x**  |
| GroupBy agg       | 406ms   | 141ms     | **2.88x**  |

*Benchmark con 10M de filas*

***

<div id="troubleshooting">
  ## Solución de problemas de la migración
</div>

<div id="issue-op">
  ### Problema: La operación no funciona
</div>

Es posible que algunas operaciones de pandas no sean compatibles. Comprueba lo siguiente:

1. ¿La operación está en la [lista de compatibilidad](/docs/es/chdb/datastore/pandas-compat)?
2. Prueba primero a convertirlo a pandas: `ds.to_df().operation()`

<div id="issue-results">
  ### Problema: resultados diferentes
</div>

Active el registro de depuración para entender qué está ocurriendo:

```python theme={null}
from chdb.datastore.config import config
config.enable_debug()

# View the SQL being generated
ds.filter(ds['x'] > 10).explain()
```

<div id="issue-slow">
  ### Problema: rendimiento lento
</div>

Revisa tu patrón de ejecución:

```python theme={null}
# Bad: Multiple small executions
for i in range(1000):
    result = ds.filter(ds['id'] == i).to_df()

# Good: Single execution
result = ds.filter(ds['id'].isin(ids)).to_df()
```

<div id="issue-types">
  ### Problema: desajustes de tipos
</div>

DataStore puede inferir los tipos de forma distinta:

```python theme={null}
# Check types
print(ds.dtypes)

# Force conversion
ds['col'] = ds['col'].astype('int64')
```

***

<div id="gradual">
  ## Estrategia de migración gradual
</div>

<div id="week-1">
  ### Semana 1: Probar la compatibilidad
</div>

```python theme={null}
# Keep both imports
import pandas as pd
from chdb import datastore as ds

# Compare results
pdf = pd.read_csv("data.csv")
dsf = ds.read_csv("data.csv")

# Verify they match
assert pdf.equals(dsf.to_pandas())
```

<div id="week-2">
  ### Semana 2: Migra los scripts simples
</div>

Comienza con scripts que:

* leen archivos grandes
* hacen filtrado y agregación
* no usan funciones apply personalizadas

<div id="week-3">
  ### Semana 3: Aborda casos complejos
</div>

Para scripts con funciones personalizadas:

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

# Let DataStore handle the heavy lifting
ds = pd.read_csv("data.csv")
ds = ds.filter(ds['year'] == 2024)  # SQL

# Convert for custom work
df = ds.to_df()
result = df.apply(my_custom_function)
```

<div id="week-4">
  ### Semana 4: Migración completa
</div>

Actualice todos los scripts para que usen la importación de DataStore.

***

<div id="faq">
  ## Preguntas frecuentes
</div>

<div id="faq-both">
  ### ¿Puedo usar tanto pandas como DataStore?
</div>

¡Sí! Puedes convertir entre ambos libremente:

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

# DataStore to pandas
df = ds_result.to_pandas()

# pandas to DataStore  
ds = ds.DataFrame(pd_result)
```

<div id="faq-tests">
  ### ¿Seguirán pasando mis pruebas?
</div>

La mayoría de las pruebas deberían pasar. En el caso de las pruebas de comparación, conviértalas a pandas:

```python theme={null}
def test_my_function():
    result = my_function()
    expected = pd.DataFrame(...)
    pd.testing.assert_frame_equal(result.to_pandas(), expected)
```

<div id="faq-jupyter">
  ### ¿Puedo usar DataStore en Jupyter?
</div>

¡Sí! DataStore funciona en los cuadernos de Jupyter:

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

ds = pd.read_csv("data.csv")
ds.head()  # Displays nicely in Jupyter
```

<div id="faq-issues">
  ### ¿Cómo reporto issues?
</div>

Si encuentras problemas de compatibilidad, repórtalos en:
[https://github.com/chdb-io/chdb/issues](https://github.com/chdb-io/chdb/issues)