> ## 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.

# Configuration du moteur d’exécution

> Configurer le moteur d’exécution de DataStore : auto, chdb ou pandas

DataStore peut exécuter des opérations via différents backends. Ce guide explique comment configurer et optimiser le choix du moteur.

<div id="engines">
  ## Moteurs disponibles
</div>

| Moteur   | Description                                                             | Idéal pour                                               |
| -------- | ----------------------------------------------------------------------- | -------------------------------------------------------- |
| `auto`   | Sélectionne automatiquement le moteur le plus adapté à chaque opération | Usage général (par défaut)                               |
| `chdb`   | Force toutes les opérations à passer par ClickHouse SQL                 | Jeux de données volumineux, agrégations                  |
| `pandas` | Force toutes les opérations à passer par pandas                         | Tests de compatibilité, fonctionnalités propres à pandas |

<div id="setting">
  ## Configuration du moteur
</div>

<div id="global">
  ### Configuration globale
</div>

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

# Option 1: Using set method
config.set_execution_engine('auto')    # Default
config.set_execution_engine('chdb')    # Force ClickHouse
config.set_execution_engine('pandas')  # Force pandas

# Option 2: Using shortcuts
config.use_auto()     # Auto-select
config.use_chdb()     # Force ClickHouse
config.use_pandas()   # Force pandas
```

<div id="checking">
  ### Vérifier le moteur actuel
</div>

```python theme={null}
print(config.execution_engine)  # 'auto', 'chdb', or 'pandas'
```

***

<div id="auto-mode">
  ## Mode automatique
</div>

En mode `auto` (par défaut), DataStore choisit le moteur optimal pour chaque opération :

<div id="auto-chdb">
  ### Opérations exécutées dans chDB
</div>

* Filtrage compatible avec SQL (`filter()`, `where()`)
* Sélection de colonnes (`select()`)
* Tri (`sort()`, `orderby()`)
* Regroupement et agrégation (`groupby().agg()`)
* Jointures (`join()`, `merge()`)
* Distinct (`distinct()`, `drop_duplicates()`)
* Limitation (`limit()`, `head()`, `tail()`)

<div id="auto-pandas">
  ### Opérations exécutées dans pandas
</div>

* Fonctions personnalisées avec `apply(custom_func)`
* Tableaux croisés dynamiques complexes avec des agrégations personnalisées
* Opérations impossibles à exprimer en SQL
* Lorsque l’entrée est déjà un pandas DataFrame

<div id="auto-example">
  ### Exemple
</div>

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

config.use_auto()  # Default

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

# This uses chDB (SQL)
result = (ds
    .filter(ds['amount'] > 100)   # SQL: WHERE
    .groupby('region')            # SQL: GROUP BY
    .agg({'amount': 'sum'})       # SQL: SUM()
)

# This uses pandas (custom function)
result = ds.apply(lambda row: complex_calculation(row), axis=1)
```

***

<div id="chdb-mode">
  ## Mode chDB
</div>

Faites passer toutes les opérations par ClickHouse SQL :

```python theme={null}
config.use_chdb()
```

<div id="chdb-when">
  ### Quand utiliser
</div>

* Traitement de grands volumes de données (millions de lignes)
* Charges de travail d’agrégation intensives
* Lorsque vous recherchez une optimisation SQL maximale
* Comportement cohérent pour toutes les opérations

<div id="chdb-performance">
  ### Caractéristiques de performance
</div>

| Type d’opération                 | Performances                               |
| -------------------------------- | ------------------------------------------ |
| GroupBy/Agrégation               | Excellentes (jusqu’à 20 fois plus rapides) |
| Filtrage complexe                | Excellentes                                |
| Tri                              | Très bonnes                                |
| Filtres simples à critère unique | Bonnes (léger surcoût)                     |

<div id="chdb-limitations">
  ### Limites
</div>

* Les fonctions Python personnalisées peuvent ne pas être prises en charge
* Certaines fonctionnalités propres à pandas nécessitent une conversion

***

<div id="pandas-mode">
  ## Mode pandas
</div>

Forcez toutes les opérations à passer par pandas :

```python theme={null}
config.use_pandas()
```

<div id="chdb-when">
  ### Quand utiliser
</div>

* Tests de compatibilité avec pandas
* Utilisation de fonctionnalités propres à pandas
* Débogage de problèmes liés à pandas
* Lorsque les données sont déjà au format pandas

<div id="pandas-performance">
  ### Caractéristiques des performances
</div>

| Type d'opération           | Performance          |
| -------------------------- | -------------------- |
| Opérations simples         | Bonne                |
| Fonctions personnalisées   | Excellente           |
| Agrégations complexes      | Plus lentes que chDB |
| Jeux de données volumineux | Gourmands en mémoire |

***

<div id="cross-datastore">
  ## Moteur Cross-DataStore
</div>

Configurez le moteur pour les opérations qui combinent des colonnes provenant de différents DataStores :

```python theme={null}
# Set cross-DataStore engine
config.set_cross_datastore_engine('auto')
config.set_cross_datastore_engine('chdb')
config.set_cross_datastore_engine('pandas')
```

<div id="auto-example">
  ### Exemple
</div>

```python theme={null}
ds1 = pd.read_csv("sales.csv")
ds2 = pd.read_csv("inventory.csv")

# This operation involves two DataStores
result = ds1.join(ds2, on='product_id')
# Uses cross_datastore_engine setting
```

***

<div id="selection-logic">
  ## Logique de sélection du moteur
</div>

<div id="decision-tree">
  ### Arbre de décision du mode Auto
</div>

```text theme={null}
Operation requested
    │
    ├─ Can be expressed in SQL?
    │      │
    │      ├─ Yes → Use chDB
    │      │
    │      └─ No → Use pandas
    │
    └─ Cross-DataStore operation?
           │
           └─ Use cross_datastore_engine setting
```

<div id="function-override">
  ### Surcharge au niveau des fonctions
</div>

Pour certaines fonctions, il est possible de configurer explicitement leur moteur :

```python theme={null}
from chdb.datastore.config import function_config

# Force specific functions to use specific engine
function_config.use_chdb('length', 'substring')
function_config.use_pandas('upper', 'lower')
```

Voir [Configuration de fonction](/docs/fr/chdb/configuration/function-config) pour plus de détails.

***

<div id="performance-comparison">
  ## Comparaison des performances
</div>

Résultats du benchmark sur 10 millions de lignes :

| Opération            | pandas (ms) | chdb (ms) | Gain de vitesse |
| -------------------- | ----------- | --------- | --------------- |
| GroupBy count        | 347         | 17        | 19.93x          |
| Opérations combinées | 1,535       | 234       | 6.56x           |
| Pipeline complexe    | 2,047       | 380       | 5.39x           |
| Filtre+Tri+Head      | 1,537       | 350       | 4.40x           |
| GroupBy agg          | 406         | 141       | 2.88x           |
| Filtre simple        | 276         | 526       | 0.52x           |

**Points clés :**

* chDB excelle pour les agrégations et les pipelines complexes
* pandas est légèrement plus rapide pour les opérations simples
* Utilisez le mode `auto` pour tirer le meilleur parti des deux

***

<div id="best-practices">
  ## Bonnes pratiques
</div>

<div id="start-with-auto-mode">
  ### 1. Commencez par mode automatique
</div>

```python theme={null}
config.use_auto()  # Let DataStore decide
```

<div id="profile-before-forcing">
  ### 2. Mesurez avant de forcer
</div>

```python theme={null}
config.enable_profiling()
# Run your workload
# Check profiler report to see where time is spent
```

<div id="force-engine-for-specific-workloads">
  ### 3. Imposer un moteur pour certaines charges de travail
</div>

```python theme={null}
# For heavy aggregation workloads
config.use_chdb()

# For pandas compatibility testing
config.use_pandas()
```

<div id="use-explain-to-understand-execution">
  ### 4. Utiliser explain() pour comprendre l’exécution
</div>

```python theme={null}
ds = pd.read_csv("data.csv")
query = ds.filter(ds['age'] > 25).groupby('city').agg({'salary': 'sum'})

# See what SQL will be generated
query.explain()
```

***

<div id="troubleshooting">
  ## Dépannage
</div>

<div id="issue-operation-slower">
  ### Problème : opération plus lente que prévu
</div>

```python theme={null}
# Check current engine
print(config.execution_engine)

# Enable debug to see what's happening
config.enable_debug()

# Try forcing specific engine
config.use_chdb()  # or config.use_pandas()
```

<div id="issue-unsupported-operation">
  ### Problème : Opération non prise en charge en mode chdb
</div>

```python theme={null}
# Some pandas operations aren't supported in SQL
# Solution: use auto mode
config.use_auto()

# Or explicitly convert to pandas first
df = ds.to_df()
result = df.some_pandas_specific_operation()
```

<div id="issue-memory-issues">
  ### Problème : problèmes de mémoire avec de grands volumes de données
</div>

```python theme={null}
# Use chdb engine to avoid loading all data into memory
config.use_chdb()

# Filter early to reduce data size
result = ds.filter(ds['date'] >= '2024-01-01').to_df()

# For maximum throughput on large datasets, use performance mode
# which enables parallel Parquet reading and single-SQL aggregation
config.use_performance_mode()
```

<Tip>
  **Mode Performance**

  Si vous exécutez des charges d’agrégation importantes et que vous n’avez pas besoin d’une compatibilité exacte avec la sortie de pandas (ordre des lignes, MultiIndex, corrections de Dtype), envisagez d’utiliser le [Mode Performance](/docs/fr/chdb/configuration/performance-mode). Il définit automatiquement le moteur sur `chdb` et supprime toute la surcharge liée à la compatibilité avec pandas.
</Tip>