pandas からの移行 | ClickHouse Docs

このガイドでは、互換性を維持しながら、既存の pandas コードを DataStore に移行してパフォーマンスを向上させる方法を説明します。

ワンライナーでの移行

最も簡単なのは、インポート文を変更するだけです:

# Before (pandas)
import pandas as pd

# After (DataStore)
from chdb import datastore as pd

以上です！ほとんどの pandas コードはそのまま動作します。

段階的な移行

chDB をインストール

pip install "chdb>=4.0"

インポートを変更

# これを:
import pandas as pd

# これに変更:
from chdb import datastore as pd

コードをテスト

既存のコードを実行します。ほとんどの操作はそのまま動作します。

from chdb import datastore as pd

# これらはすべて同じように動作します
df = pd.read_csv("data.csv")
result = df[df['age'] > 25]
grouped = df.groupby('city')['salary'].mean()
df.to_csv("output.csv")

相違点に対応

一部の操作は挙動が異なります。以下の主な違いを参照してください。

そのまま動作するもの

データの読み込み

# 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")

フィルタリング

# Boolean indexing
df[df['age'] > 25]
df[(df['age'] > 25) & (df['city'] == 'NYC')]

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

選択範囲

# Column selection
df['name']
df[['name', 'age']]

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

GroupBy と集計

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

ソート

df.sort_values('salary', ascending=False)
df.sort_values(['city', 'age'])

文字列操作

df['name'].str.upper()
df['name'].str.contains('John')
df['name'].str.len()

DateTime の操作

df['date'].dt.year
df['date'].dt.month
df['date'].dt.dayofweek

I/O 操作

df.to_csv("output.csv")
df.to_parquet("output.parquet")
df.to_json("output.json")

主な違い

1. 遅延評価

DataStore の操作は遅延実行されるため、結果が必要になるまで実行されません。

pandas:

# Executes immediately
result = df[df['age'] > 25]
print(type(result))  # pandas.DataFrame

DataStore:

# 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

2. 戻り値の型

操作	pandas の戻り値	DataStore の戻り値
`df['col']`	Series	ColumnExpr (遅延実行)
`df[['a', 'b']]`	DataFrame	DataStore (遅延実行)
`df[condition]`	DataFrame	DataStore (遅延実行)
`df.groupby('x')`	GroupBy	LazyGroupBy

3. inplace パラメータはありません

DataStore は inplace=True をサポートしていません。必ず戻り値を使用してください。

pandas:

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

DataStore:

ds = ds.drop(columns=['col'])  # Assign the result

4. DataStore の比較

pandas は DataStore オブジェクトを認識しないため、比較するには to_pandas() を使用します。

# This may not work as expected
df == ds  # pandas doesn't know DataStore

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

5. 行の順序

DataStore では、ファイルソース (SQL データベースなど) の場合、行の順序が保持されないことがあります。明示的にソートしてください。

# 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

移行パターン

パターン 1: 読み込み・分析・書き込み

# 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")

パターン2: pandasで操作するDataFrame

pandas固有の機能が必要な場合は、最後に変換します:

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

パターン3: 混在ワークフロー

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

性能比較

大規模なデータセットでは、DataStoreは大幅に高速です。

操作	pandas	DataStore	高速化倍率
GroupBy count	347ms	17ms	19.93x
複雑なパイプライン	2,047ms	380ms	5.39x
Filter+Sort+Head	1,537ms	350ms	4.40x
GroupBy agg	406ms	141ms	2.88x

1,000万行でのベンチマーク

移行のトラブルシューティング

問題: 操作が機能しない

一部の pandas の操作はサポートされていないことがあります。次の点を確認してください。

その操作は互換性リストに含まれていますか？
まず pandas に変換してから試してください: ds.to_df().operation()

問題: 結果が異なる

何が起きているかを把握するため、デバッグログを有効にします：

from chdb.datastore.config import config
config.enable_debug()

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

問題: パフォーマンスが低い

実行パターンを確認してください。

# 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()

問題: 型の不一致

DataStore では、型の推論結果が異なる場合があります:

# Check types
print(ds.dtypes)

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

段階的移行戦略

第1週: 互換性をテスト

# 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())

第2週: 単純なスクリプトを移行する

まずは、次のようなスクリプトから始めます。

大きなファイルを読み込む
フィルタリングと集約を行う
カスタムの apply 関数を使用しない

第3週: 複雑なケースに対応

カスタム関数を含むスクリプトの場合:

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)

第4週: 完全移行

すべてのスクリプトのインポートをDataStoreに切り替えます。

よくある質問

pandas と DataStore の両方を使用できますか？

はい。両者は自由に相互変換できます。

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)

テストはこれまでどおり通りますか？

ほとんどのテストは通るはずです。比較用のテストでは、pandas に変換してください：

def test_my_function():
    result = my_function()
    expected = pd.DataFrame(...)
    pd.testing.assert_frame_equal(result.to_pandas(), expected)

Jupyter で DataStore を使用できますか？

はい！DataStore は Jupyter ノートブックで利用できます。

from chdb import datastore as pd

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

issue はどのように報告すればよいですか？

互換性に関する issue を見つけた場合は、以下で報告してください。 https://github.com/chdb-io/chdb/issues