数据加载
读取 CSV
# Pandas
import pandas as pd
df = pd.read_csv("data.csv")
# DataStore - 相同！
from chdb import datastore as pd
df = pd.read_csv("data.csv")
读取多个文件
# Pandas
import glob
dfs = [pd.read_csv(f) for f in glob.glob("data/*.csv")]
df = pd.concat(dfs)
# DataStore - 使用 glob pattern 效率更高
df = pd.read_csv("data/*.csv")
筛选
单一条件
# Pandas 和 DataStore - 相同
df[df['age'] > 25]
df[df['city'] == 'NYC']
df[df['name'].str.contains('John')]
多个条件
# 与
df[(df['age'] > 25) & (df['city'] == 'NYC')]
# 或
df[(df['age'] < 18) | (df['age'] > 65)]
# 非
df[~(df['status'] == 'inactive')]
query() 的用法
# Pandas 和 DataStore - 相同
df.query('age > 25 and city == "NYC"')
df.query('salary > 50000')
isin()
# Pandas 和 DataStore - 相同
df[df['city'].isin(['NYC', 'LA', 'SF'])]
between()
# Pandas 和 DataStore - 写法相同
df[df['age'].between(18, 65)]
选择列
单列
# Pandas 和 DataStore - 相同
df['name']
df.name # 属性访问
多列
# Pandas 和 DataStore - 相同
df[['name', 'age', 'city']]
选择和过滤
# Pandas 和 DataStore - 相同
df[df['age'] > 25][['name', 'salary']]
# DataStore 也支持 SQL 风格
df.filter(df['age'] > 25).select('name', 'salary')
排序
单列
# Pandas 和 DataStore - 相同
df.sort_values('salary')
df.sort_values('salary', ascending=False)
多列
# Pandas 和 DataStore - 相同
df.sort_values(['city', 'salary'], ascending=[True, False])
获取排名前/后 N 的项
# Pandas 和 DataStore - 相同
df.nlargest(10, 'salary')
df.nsmallest(5, 'age')
GroupBy 与聚合
简单的 GroupBy
# Pandas 和 DataStore - 完全相同
df.groupby('city')['salary'].mean()
df.groupby('city')['salary'].sum()
df.groupby('city').size() # 计数
多重聚合
# Pandas 和 DataStore - 相同
df.groupby('city')['salary'].agg(['sum', 'mean', 'count'])
df.groupby('city').agg({
'salary': ['sum', 'mean'],
'age': ['min', 'max']
})
命名聚合
# Pandas 和 DataStore - 完全相同
df.groupby('city').agg(
total_salary=('salary', 'sum'),
avg_salary=('salary', 'mean'),
employee_count=('id', 'count')
)
多个 GroupBy 键
# Pandas 和 DataStore - 相同
df.groupby(['city', 'department'])['salary'].mean()
连接数据
内连接
# Pandas
pd.merge(df1, df2, on='id')
# DataStore - 相同的 API
pd.merge(df1, df2, on='id')
# DataStore 同样支持
df1.join(df2, on='id')
左连接
# Pandas 和 DataStore - 相同
pd.merge(df1, df2, on='id', how='left')
基于不同列进行 连接
# Pandas 和 DataStore - 完全相同
pd.merge(df1, df2, left_on='emp_id', right_on='id')
拼接
# Pandas 和 DataStore - 完全相同
pd.concat([df1, df2, df3])
pd.concat([df1, df2], axis=1)
字符串操作
大小写转换
# Pandas 和 DataStore - 相同
df['name'].str.upper()
df['name'].str.lower()
df['name'].str.title()
子串
# Pandas 和 DataStore - 相同
df['name'].str[:3] # 前 3 个字符
df['name'].str.slice(0, 3)
搜索
# Pandas 和 DataStore - 相同
df['name'].str.contains('John')
df['name'].str.startswith('A')
df['name'].str.endswith('son')
替换
# Pandas 和 DataStore - 相同
df['text'].str.replace('old', 'new')
df['text'].str.replace(r'\d+', '', regex=True) # 删除数字
拆分
# Pandas 和 DataStore - 相同
df['name'].str.split(' ')
df['name'].str.split(' ', expand=True)
时长
# Pandas 和 DataStore - 相同
df['name'].str.len()
DateTime 运算
提取各部分
# Pandas 和 DataStore - 相同
df['date'].dt.year
df['date'].dt.month
df['date'].dt.day
df['date'].dt.dayofweek
df['date'].dt.hour
格式化
# Pandas 和 DataStore - 相同
df['date'].dt.strftime('%Y-%m-%d')
数据缺失
查看缺失值
# Pandas 和 DataStore - 相同
df['col'].isna()
df['col'].notna()
df.isna().sum()
删除缺失值
# Pandas 和 DataStore - 相同
df.dropna()
df.dropna(subset=['col1', 'col2'])
填充缺失值
# Pandas 和 DataStore - 相同
df.fillna(0)
df.fillna({'col1': 0, 'col2': 'Unknown'})
df.fillna(method='ffill')
创建新列
简单赋值
# Pandas 和 DataStore - 完全相同
df['total'] = df['price'] * df['quantity']
df['age_group'] = df['age'] // 10 * 10
使用 assign()
# Pandas 和 DataStore - 完全相同
df = df.assign(
total=df['price'] * df['quantity'],
is_adult=df['age'] >= 18
)
条件筛选 (where/mask)
# Pandas 和 DataStore - 完全相同
df['status'] = df['age'].where(df['age'] >= 18, 'minor')
用于自定义逻辑的 apply()
# 有效，但会触发 pandas 执行
df['category'] = df['amount'].apply(lambda x: 'high' if x > 1000 else 'low')
# DataStore 替代方案（保持惰性执行）
df['category'] = (
df.when(df['amount'] > 1000, 'high')
.otherwise('low')
)
数据重塑
透视表
# Pandas 和 DataStore - 完全相同
df.pivot_table(
values='amount',
index='region',
columns='product',
aggfunc='sum'
)
宽转长 (Unpivot)
# Pandas 和 DataStore - 完全一致
df.melt(
id_vars=['name'],
value_vars=['score1', 'score2', 'score3'],
var_name='test',
value_name='score'
)
展开
# Pandas 和 DataStore - 完全一致
df.explode('tags') # 展开数组列
窗口函数
滚动窗口
# Pandas 和 DataStore - 完全相同
df['rolling_avg'] = df['price'].rolling(window=7).mean()
df['rolling_sum'] = df['amount'].rolling(window=30).sum()
展开
# Pandas 与 DataStore：完全一致
df['cumsum'] = df['amount'].expanding().sum()
df['cummax'] = df['amount'].expanding().max()
移位
# Pandas 和 DataStore - 完全相同
df['prev_value'] = df['value'].shift(1) # 滞后
df['next_value'] = df['value'].shift(-1) # 超前
差异
# Pandas 和 DataStore - 完全相同
df['change'] = df['value'].diff()
df['pct_change'] = df['value'].pct_change()
输出
输出为 CSV
# Pandas 和 DataStore - 完全相同
df.to_csv("output.csv", index=False)
转为 Parquet
# Pandas 和 DataStore - 完全一致
df.to_parquet("output.parquet")
转为 pandas DataFrame
# DataStore 专用
pandas_df = ds.to_df()
pandas_df = ds.to_pandas()
DataStore 附加功能
查看 SQL
# 仅适用于 DataStore
print(ds.to_sql())
执行计划
# 仅适用于 DataStore
ds.explain()
ClickHouse 函数
# 仅限 DataStore：额外访问器
df['domain'] = df['url'].url.domain()
df['json_value'] = df['data'].json.get_string('key')
df['ip_valid'] = df['ip'].ip.is_ipv4_string()
通用 URI
# 仅限 DataStore - 可从任意位置读取
ds = DataStore.uri("s3://bucket/data.parquet")
ds = DataStore.uri("mysql://user:pass@host/db/table")