Modèle d’exécution de DataStore

Comprendre le modèle d’évaluation paresseuse de DataStore est essentiel pour l’utiliser efficacement et obtenir des performances optimales.

Évaluation paresseuse

DataStore utilise l’évaluation paresseuse : les opérations ne sont pas exécutées immédiatement ; elles sont enregistrées puis compilées en requêtes SQL optimisées. L’exécution n’a lieu que lorsque les résultats sont effectivement nécessaires.

Exemple : évaluation paresseuse vs évaluation immédiate

from pathlib import Path
Path("sales.csv").write_text("""\
region,product,category,amount,quantity,price,date,order_id
East,Widget,Electronics,5200,10,120,2024-01-15,1001
West,Gadget,Electronics,800,5,160,2024-02-20,1002
East,Gizmo,Home,6500,3,100,2024-03-10,1003
North,Widget,Electronics,4500,6,150,2024-06-18,1004
West,Gadget,Electronics,2000,8,250,2024-09-14,1005
""")

from chdb import datastore as pd

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

# These operations are NOT executed yet
result = (ds
    .filter(ds['amount'] > 1000)    # Recorded, not executed
    .select('region', 'amount')      # Recorded, not executed
    .groupby('region')               # Recorded, not executed
    .agg({'amount': 'sum'})          # Recorded, not executed
    .sort('sum', ascending=False)    # Recorded, not executed
)

# Still no execution - just building the query plan
print(result.to_sql())
# SELECT region, SUM(amount) AS sum
# FROM file('sales.csv', 'CSVWithNames')
# WHERE amount > 1000
# GROUP BY region
# ORDER BY sum DESC

# NOW execution happens
df = result.to_df()  # <-- Triggers execution

Avantages de l’évaluation paresseuse

Optimisation des requêtes : Plusieurs opérations sont compilées en une seule requête SQL optimisée
Pushdown des filtres : Les filtres sont appliqués au niveau de la source de données
Élagage des colonnes : Seules les colonnes nécessaires sont lues
Décisions différées : Le moteur d’exécution peut être choisi au moment de l’exécution
Inspection du plan : Vous pouvez inspecter/déboguer la requête avant de l’exécuter

Déclencheurs d’exécution

L’exécution est déclenchée automatiquement lorsque vous avez besoin de valeurs réelles :

Déclencheurs automatiques

Déclencheur	Exemple	Description
`print()` / `repr()`	`print(ds)`	Afficher les résultats
`len()`	`len(ds)`	Obtenir le nombre de lignes
`.columns`	`ds.columns`	Obtenir les noms des colonnes
`.dtypes`	`ds.dtypes`	Obtenir les types de colonnes
`.shape`	`ds.shape`	Obtenir les dimensions
`.index`	`ds.index`	Obtenir l’index des lignes
`.values`	`ds.values`	Obtenir le tableau NumPy
Itération	`for row in ds`	Itérer sur les lignes
`to_df()`	`ds.to_df()`	Convertir en DataFrame pandas
`to_pandas()`	`ds.to_pandas()`	alias de to_df
`to_dict()`	`ds.to_dict()`	Convertir en dictionnaire
`to_numpy()`	`ds.to_numpy()`	Convertir en tableau
`.equals()`	`ds.equals(other)`	Comparer les DataStore

Exemples :

# All these trigger execution
print(ds)              # Display
len(ds)                # 1000
ds.columns             # Index(['name', 'age', 'city'])
ds.shape               # (1000, 3)
list(ds)               # List of values
ds.to_df()             # pandas DataFrame

Opérations qui restent paresseuses

Opération	Renvoie	Description
`filter()`	DataStore	Ajoute une clause WHERE
`select()`	DataStore	Ajoute une sélection de colonnes
`sort()`	DataStore	Ajoute ORDER BY
`groupby()`	LazyGroupBy	Prépare GROUP BY
`join()`	DataStore	Ajoute JOIN
`ds['col']`	ColumnExpr	Référence de colonne
`ds[['col1', 'col2']]`	DataStore	Sélection de colonnes

Exemples :

# These do NOT trigger execution - they stay lazy
result = ds.filter(ds['age'] > 25)      # Returns DataStore
result = ds.select('name', 'age')        # Returns DataStore
result = ds['name']                      # Returns ColumnExpr
result = ds.groupby('city')              # Returns LazyGroupBy

Exécution en trois phases

Les opérations de DataStore suivent un modèle d’exécution en trois phases :

Phase 1 : construction de la requête SQL (paresseuse)

Les opérations pouvant être exprimées en SQL sont accumulées :

result = (ds
    .filter(ds['status'] == 'active')   # WHERE
    .select('user_id', 'amount')         # SELECT
    .groupby('user_id')                  # GROUP BY
    .agg({'amount': 'sum'})              # SUM()
    .sort('sum', ascending=False)        # ORDER BY
    .limit(10)                           # LIMIT
)
# All compiled into one SQL query

Phase 2 : Moment de l’exécution

Lorsqu’un déclenchement a lieu, le SQL accumulé est exécuté :

# Execution triggered here
df = result.to_df()  
# The single optimized SQL query runs now

Phase 3 : opérations sur le DataFrame (le cas échéant)

Si vous enchaînez des opérations propres à pandas après l’exécution :

# Mixed operations
result = (ds
    .filter(ds['amount'] > 100)          # Phase 1: SQL
    .to_df()                             # Phase 2: Execute
    .pivot_table(...)                    # Phase 3: pandas
)

Afficher les plans d’exécution

Utilisez explain() pour voir ce qui sera exécuté :

Querypython

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

query = (ds
    .filter(ds['amount'] > 1000)
    .groupby('region')
    .agg({'amount': ['sum', 'mean']})
)

# View execution plan
query.explain()

Responsetext

Pipeline:
  1. Source: file('sales.csv', 'CSVWithNames')
  2. Filter: amount > 1000
  3. GroupBy: region
  4. Aggregate: sum(amount), avg(amount)

Generated SQL:
SELECT region, SUM(amount) AS sum, AVG(amount) AS mean
FROM file('sales.csv', 'CSVWithNames')
WHERE amount > 1000
GROUP BY region

Utilisez verbose=True pour plus de détails :

query.explain(verbose=True)

Consultez Débogage : explain() pour la documentation complète.

Mise en cache

DataStore met en cache les résultats d’exécution afin d’éviter les requêtes redondantes.

Fonctionnement du cache

from pathlib import Path
Path("data.csv").write_text("""\
name,age,city,salary,department
Alice,25,NYC,55000,Engineering
Bob,30,LA,65000,Product
Charlie,35,NYC,80000,Engineering
Diana,28,SF,70000,Design
Eve,42,NYC,95000,Product
""")

ds = pd.read_csv("data.csv")
result = ds.filter(ds['age'] > 25)

# First access - executes query
print(result.shape)  # Executes and caches

# Second access - uses cache
print(result.columns)  # Uses cached result

# Third access - uses cache
df = result.to_df()  # Uses cached result

Invalidation du cache

Le cache est invalidé lorsque des opérations modifient le DataStore :

result = ds.filter(ds['age'] > 25)
print(result.shape)  # Executes, caches

# New operation invalidates cache
result2 = result.filter(result['city'] == 'NYC')
print(result2.shape)  # Re-executes (different query)

Gestion manuelle du cache

# Clear cache
ds.clear_cache()

# Disable caching
from chdb.datastore.config import config
config.set_cache_enabled(False)

Combiner des opérations SQL et pandas

DataStore gère intelligemment les opérations mêlant SQL et pandas :

Opérations compatibles avec SQL

Ces opérations sont compilées en SQL :

filter(), where()
select()
groupby(), agg()
sort(), orderby()
limit(), offset()
join(), union()
distinct()
Opérations sur les colonnes (calculs, comparaisons, méthodes sur les chaînes de caractères)

Opérations uniquement avec Pandas

Les opérations suivantes déclenchent l’exécution et utilisent Pandas :

apply() avec des fonctions personnalisées
pivot_table() avec des agrégations complexes
stack(), unstack()
Opérations sur des DataFrames déjà exécutés

Pipelines hybrides

# SQL phase
result = (ds
    .filter(ds['amount'] > 100)      # SQL
    .groupby('category')              # SQL
    .agg({'amount': 'sum'})           # SQL
)

# Execution + pandas phase
result = (result
    .to_df()                          # Execute SQL
    .pivot_table(...)                 # pandas operation
)

Sélection du moteur d’exécution

DataStore peut exécuter des opérations à l’aide de différents moteurs :

Mode automatique (par défaut)

from chdb.datastore.config import config

config.set_execution_engine('auto')  # Default
# Automatically selects best engine per operation

Forcer le moteur chDB

config.set_execution_engine('chdb')
# All operations use ClickHouse SQL

Forcer l’utilisation du moteur pandas

config.set_execution_engine('pandas')
# All operations use pandas

Consultez Configuration : moteur d’exécution pour en savoir plus.

Impact sur les performances

Bien : filtrer en amont

# Good: Filter in SQL, then aggregate
result = (ds
    .filter(ds['date'] >= '2024-01-01')  # Reduces data early
    .groupby('category')
    .agg({'amount': 'sum'})
)

Mauvais : filtrer trop tard

# Bad: Aggregate all, then filter
result = (ds
    .groupby('category')
    .agg({'amount': 'sum'})
    .to_df()
    .query('sum > 1000')  # Pandas filter after aggregation
)

Bon réflexe : sélectionnez les colonnes dès le départ

# Good: Select columns in SQL
result = (ds
    .select('user_id', 'amount', 'date')
    .filter(ds['date'] >= '2024-01-01')
    .groupby('user_id')
    .agg({'amount': 'sum'})
)

Bon : laissez SQL faire le travail

# Good: Complex aggregation in SQL
result = (ds
    .groupby('category')
    .agg({
        'amount': ['sum', 'mean', 'count'],
        'quantity': 'sum'
    })
    .sort('sum', ascending=False)
    .limit(10)
)
# One SQL query does everything

# Bad: Multiple separate queries
sums = ds.groupby('category')['amount'].sum().to_df()
means = ds.groupby('category')['amount'].mean().to_df()
# Two queries instead of one

Résumé des bonnes pratiques

Chaînez les opérations avant d'exécuter - Construisez la requête complète, puis déclenchez l'exécution une seule fois
Filtrez le plus tôt possible - Réduisez les données à la source
Sélectionnez uniquement les colonnes nécessaires - L'élagage des colonnes améliore les performances
Utilisez explain() pour comprendre l'exécution - Effectuez le débogage avant de lancer l'exécution
Laissez SQL gérer les agrégations - ClickHouse est optimisé pour cela
Soyez attentif aux déclencheurs d'exécution - Évitez tout déclenchement accidentel et prématuré
Utilisez la mise en cache avec discernement - Sachez quand le cache est invalidé