Compatibilidade do DataStore com pandas - ClickHouse Documentation

O DataStore implementa 209 métodos de DataFrame do pandas para total compatibilidade com a API. Seu código pandas existente funciona com alterações mínimas.

Estratégia de compatibilidade

# Typical migration - just change the import
- import pandas as pd
+ from chdb import datastore as pd

# Your code works unchanged
df = pd.read_csv("data.csv")
result = df[df['age'] > 25].groupby('city')['salary'].mean()

Princípios-chave:

Todos os 209 métodos do DataFrame do pandas implementados
Avaliação preguiçosa para otimização de SQL
Encapsulamento automático de tipos (DataFrame → DataStore, Series → ColumnExpr)
Operações imutáveis (sem inplace=True)

Atributos e Propriedades

Propriedade	Descrição	Aciona a execução
`shape`	tupla (linhas, colunas)	Sim
`columns`	Nomes das colunas (Index)	Sim
`dtypes`	Tipos de dados das colunas	Sim
`values`	array do NumPy	Sim
`index`	Índice das linhas	Sim
`size`	Número de elementos	Sim
`ndim`	Número de dimensões	Não
`empty`	Se o DataFrame está vazio	Sim
`T`	Transposição	Sim
`axes`	Lista de eixos	Sim

Exemplos:

from chdb import datastore as pd

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

print(ds.shape)      # (1000, 5)
print(ds.columns)    # Index(['name', 'age', 'city', 'salary', 'dept'])
print(ds.dtypes)     # name: object, age: int64, ...
print(ds.empty)      # False

Indexação e seleção

Método	Descrição	Exemplo
`df['col']`	Selecionar coluna	`ds['age']`
`df[['col1', 'col2']]`	Selecionar colunas	`ds[['name', 'age']]`
`df[condition]`	Indexação booleana	`ds[ds['age'] > 25]`
`df.loc[...]`	Acesso por rótulos	`ds.loc[0:10, 'name']`
`df.iloc[...]`	Acesso por inteiros	`ds.iloc[0:10, 0:3]`
`df.at[...]`	Valor único por rótulo	`ds.at[0, 'name']`
`df.iat[...]`	Valor único por posição	`ds.iat[0, 0]`
`df.head(n)`	Primeiras n linhas	`ds.head(10)`
`df.tail(n)`	Últimas n linhas	`ds.tail(10)`
`df.sample(n)`	Amostra aleatória	`ds.sample(100)`
`df.select_dtypes()`	Selecionar por Dtype	`ds.select_dtypes(include='number')`
`df.query()`	Expressão de consulta	`ds.query('age > 25')`
`df.where()`	Substituição condicional	`ds.where(ds['age'] > 0, 0)`
`df.mask()`	`where` inverso	`ds.mask(ds['age'] < 0, 0)`
`df.isin()`	Verificação de pertencimento	`ds['city'].isin(['NYC', 'LA'])`
`df.get()`	Acesso seguro à coluna	`ds.get('col', default=None)`
`df.xs()`	Seção transversal	`ds.xs('key')`
`df.pop()`	Remover coluna	`ds.pop('col')`

Métodos Estatísticos

Método	Descrição	Equivalente em SQL
`mean()`	Média	`AVG()`
`median()`	Mediana	`MEDIAN()`
`mode()`	Moda	-
`std()`	Desvio padrão	`STDDEV()`
`var()`	Variância	`VAR()`
`min()`	Valor mínimo	`MIN()`
`max()`	Máximo	`MAX()`
`sum()`	Soma	`SUM()`
`prod()`	Produto	-
`count()`	Contagem de valores não NULL	`COUNT()`
`nunique()`	Contagem de valores únicos	`UNIQ()`
`value_counts()`	Frequência de valores	`GROUP BY`
`quantile()`	Quantil	`QUANTILE()`
`describe()`	Estatísticas resumidas	-
`corr()`	Matriz de correlação	`CORR()`
`cov()`	Matriz de covariância	`COV()`
`corrwith()`	Correlação por pares	-
`rank()`	Classificação dos valores	`RANK()`
`abs()`	Valores absolutos	`ABS()`
`round()`	Arredondamento de valores	`ROUND()`
`clip()`	Limitação de valores	-
`cumsum()`	Soma acumulada	função de janela
`cumprod()`	Produto acumulado	função de janela
`cummin()`	Mínimo acumulado	função de janela
`cummax()`	Máximo acumulado	função de janela
`diff()`	Diferença	função de janela
`pct_change()`	Variação percentual	função de janela
`skew()`	Assimetria	`SKEW()`
`kurt()`	Curtose	`KURT()`
`sem()`	Erro padrão	-
`all()`	Todos true	-
`any()`	Algum true	-
`idxmin()`	Índice do mínimo	-
`idxmax()`	Índice do máximo	-

Exemplos:

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

# Basic statistics
print(ds['salary'].mean())
print(ds['age'].std())
print(ds.describe())

# Group statistics
print(ds.groupby('department')['salary'].mean())
print(ds.groupby('city').agg({'salary': ['mean', 'std'], 'age': 'count'}))

Manipulação de dados

Método	Descrição
`drop()`	Remover linhas/colunas
`drop_duplicates()`	Remover duplicatas
`duplicated()`	Marcar duplicatas
`dropna()`	Remover valores ausentes
`fillna()`	Preencher valores ausentes
`ffill()`	Preenchimento para frente
`bfill()`	Preenchimento para trás
`interpolate()`	Interpolar valores
`replace()`	Substituir valores
`rename()`	Renomear colunas/índice
`rename_axis()`	Renomear eixo
`assign()`	Adicionar novas colunas
`astype()`	Converter tipos
`convert_dtypes()`	Inferir tipos
`copy()`	Copiar DataFrame

Exemplos:

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

# Drop operations
result = ds.drop(columns=['unused_col'])
result = ds.drop_duplicates(subset=['user_id'])
result = ds.dropna(subset=['email'])

# Fill operations
result = ds.fillna(0)
result = ds.fillna({'age': 0, 'name': 'Unknown'})

# Transform operations
result = ds.rename(columns={'old_name': 'new_name'})
result = ds.assign(
    full_name=lambda x: x['first_name'] + ' ' + x['last_name'],
    age_group=lambda x: pd.cut(x['age'], bins=[0, 25, 50, 100])
)

Ordenação e ranking

Método	Descrição
`sort_values()`	Ordenar por valores
`sort_index()`	Ordenar por índice
`nlargest()`	N maiores valores
`nsmallest()`	N menores valores

Exemplos:

# Sort by single column
result = ds.sort_values('salary', ascending=False)

# Sort by multiple columns
result = ds.sort_values(['department', 'salary'], ascending=[True, False])

# Get top/bottom N
result = ds.nlargest(10, 'salary')
result = ds.nsmallest(5, 'age')

Reorganização

Método	Descrição
`pivot()`	Tabela dinâmica
`pivot_table()`	Pivot com agregação
`melt()`	Despivotar
`stack()`	Empilhar colunas no índice
`unstack()`	Desempilhar índice em colunas
`transpose()` / `T`	Transpor
`explode()`	Explodir listas em linhas
`squeeze()`	Reduzir dimensões
`droplevel()`	Remover nível do índice
`swaplevel()`	Trocar níveis do índice
`reorder_levels()`	Reordenar níveis

Exemplos:

# Pivot table
result = ds.pivot_table(
    values='amount',
    index='region',
    columns='product',
    aggfunc='sum'
)

# Melt (unpivot)
result = ds.melt(
    id_vars=['name'],
    value_vars=['score1', 'score2', 'score3'],
    var_name='test',
    value_name='score'
)

# Explode arrays
result = ds.explode('tags')

Combinação / Junção

Método	Descrição
`merge()`	Mesclagem no estilo SQL
`join()`	Junção por índice
`concat()`	Concatenar
`append()`	Acrescentar linhas
`combine()`	Combinar com função
`combine_first()`	Combinar com prioridade
`update()`	Atualizar valores
`compare()`	Mostrar diferenças

Exemplos:

# Merge (join)
result = pd.merge(df1, df2, on='id', how='left')
result = df1.join(df2, on='id')

# Concatenate
result = pd.concat([df1, df2, df3])
result = pd.concat([df1, df2], axis=1)

Operações binárias

Método	Descrição
`add()` / `radd()`	Adição
`sub()` / `rsub()`	Subtração
`mul()` / `rmul()`	Multiplicação
`div()` / `rdiv()`	Divisão
`truediv()` / `rtruediv()`	Divisão real
`floordiv()` / `rfloordiv()`	Divisão inteira
`mod()` / `rmod()`	Módulo
`pow()` / `rpow()`	Potência
`dot()`	Multiplicação de matrizes

Exemplos:

# Arithmetic operations
result = ds['col1'].add(ds['col2'])
result = ds['price'].mul(ds['quantity'])

# With fill_value for missing data
result = ds['col1'].add(ds['col2'], fill_value=0)

Operações de comparação

Método	Descrição
`eq()`	Igual a
`ne()`	Diferente de
`lt()`	Menor que
`le()`	Menor ou igual a
`gt()`	Maior que
`ge()`	Maior ou igual a
`equals()`	Verifica igualdade
`compare()`	Mostra diferenças

Aplicação de funções

Método	Descrição
`apply()`	Aplicar função
`applymap()`	Aplicar elemento a elemento
`map()`	Mapear valores
`agg()` / `aggregate()`	Agregar
`transform()`	Transformar
`pipe()`	Encadear funções
`groupby()`	Agrupar por

Exemplos:

# Apply function
result = ds['name'].apply(lambda x: x.upper())
result = ds.apply(lambda row: row['a'] + row['b'], axis=1)

# Aggregate
result = ds.agg({'col1': 'sum', 'col2': 'mean'})
result = ds.agg(['sum', 'mean', 'std'])

# Pipe
result = (ds
    .pipe(filter_active)
    .pipe(calculate_metrics)
    .pipe(format_output)
)

Séries temporais

Método	Descrição
`rolling()`	Janela deslizante
`expanding()`	Janela expansiva
`ewm()`	Ponderação exponencial
`resample()`	Reamostrar séries temporais
`shift()`	Deslocar valores
`asfreq()`	Converter frequência
`asof()`	Valor mais recente até o momento
`at_time()`	Selecionar por horário
`between_time()`	Selecionar intervalo de tempo
`first()` / `last()`	Primeiros/últimos períodos
`to_period()`	Converter para período
`to_timestamp()`	Converter para timestamp
`tz_convert()`	Converter fuso horário
`tz_localize()`	Definir fuso horário local

Exemplos:

# Rolling window
result = ds['value'].rolling(window=7).mean()

# Expanding window
result = ds['value'].expanding().sum()

# Shift
result = ds['value'].shift(1)  # Lag
result = ds['value'].shift(-1)  # Lead

Dados ausentes

Método	Descrição
`isna()` / `isnull()`	Detectar valores ausentes
`notna()` / `notnull()`	Detectar valores presentes
`dropna()`	Remover valores ausentes
`fillna()`	Preencher valores ausentes
`ffill()`	Preenchimento para frente
`bfill()`	Preenchimento para trás
`interpolate()`	Interpolar
`replace()`	Substituir valores

Métodos de E/S

Método	Descrição
`to_csv()`	Exportar para CSV
`to_json()`	Exportar para JSON
`to_excel()`	Exportar para Excel
`to_parquet()`	Exportar para Parquet
`to_feather()`	Exportar para Feather
`to_sql()`	Exportar para um banco de dados SQL
`to_pickle()`	Pickle
`to_html()`	Tabela HTML
`to_latex()`	Tabela LaTeX
`to_markdown()`	Tabela Markdown
`to_string()`	Representação textual
`to_dict()`	Dicionário
`to_records()`	Registros
`to_numpy()`	Array do NumPy
`to_clipboard()`	Área de transferência

Consulte Operações de E/S para ver a documentação detalhada.

Iteração

Método	Descrição
`items()`	Itera sobre (coluna, Series)
`iterrows()`	Itera sobre (índice, Series)
`itertuples()`	Itera como tuplas nomeadas

Principais diferenças em relação ao Pandas

1. Tipos de retorno

# Pandas returns Series
pdf['col']  # → pd.Series

# DataStore returns ColumnExpr (lazy)
ds['col']   # → ColumnExpr

2. Execução preguiçosa

# DataStore operations are lazy
result = ds.filter(ds['age'] > 25)  # Not executed yet
df = result.to_df()  # Executed here

3. Não há parâmetro inplace

# Pandas
df.drop(columns=['col'], inplace=True)

# DataStore (always returns new object)
ds = ds.drop(columns=['col'])

4. Comparando resultados

# Use to_pandas() for comparison
pd.testing.assert_frame_equal(
    ds.to_pandas(),
    expected_df
)

Consulte Principais diferenças para obter todos os detalhes.

​Estratégia de compatibilidade

​Atributos e Propriedades

​Indexação e seleção

​Métodos Estatísticos

​Manipulação de dados

​Ordenação e ranking

​Reorganização

​Combinação / Junção

​Operações binárias

​Operações de comparação

​Aplicação de funções

​Séries temporais

​Dados ausentes

​Métodos de E/S

​Iteração

​Principais diferenças em relação ao Pandas

​1. Tipos de retorno

​2. Execução preguiçosa

​3. Não há parâmetro inplace

​4. Comparando resultados

Estratégia de compatibilidade

Atributos e Propriedades

Indexação e seleção

Métodos Estatísticos

Manipulação de dados

Ordenação e ranking

Reorganização

Combinação / Junção

Operações binárias

Operações de comparação

Aplicação de funções

Séries temporais

Dados ausentes

Métodos de E/S

Iteração

Principais diferenças em relação ao Pandas

1. Tipos de retorno

2. Execução preguiçosa

3. Não há parâmetro inplace

4. Comparando resultados