Funções de agregação do DataStore

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")

# Agregação de coluna única
total = ds['amount'].sum()
average = ds['amount'].mean()
count = ds['amount'].count()

# Todas as agregações
print(ds['amount'].sum())    # Total
print(ds['amount'].mean())   # Média
print(ds['amount'].std())    # Desvio padrão
print(ds['amount'].median()) # Mediana
print(ds['amount'].nunique()) # Contagem de valores únicos

# Agrupar e agregar
result = ds.groupby('category')['amount'].sum()
result = ds.groupby('region')['sales'].mean()

# Sintaxe de dicionário
result = ds.groupby('category').agg({
    'amount': 'sum',
    'quantity': 'mean',
    'order_id': 'count'
})

# Lista de agregações por coluna
result = ds.groupby('category').agg({
    'amount': ['sum', 'mean', 'max'],
    'quantity': ['sum', 'count']
})

# Agregação nomeada (estilo pandas)
result = ds.groupby('region').agg(
    total_amount=('amount', 'sum'),
    avg_quantity=('quantity', 'mean'),
    order_count=('order_id', 'count'),
    max_price=('price', 'max')
)

# Agrupar por múltiplas colunas
result = ds.groupby(['region', 'category']).agg({
    'amount': 'sum',
    'quantity': 'sum'
})

# Quantis
q50 = ds['amount'].quantile(0.5)  # Mediana
q95 = ds['amount'].quantile(0.95) # Percentil 95

# Múltiplos quantis
quantiles = ds['amount'].quantile([0.25, 0.5, 0.75])

# Correlação entre colunas
correlation = ds[['sales', 'marketing_spend']].corr()

from chdb.datastore import F, Field

# Soma apenas pedidos de alto valor
high_value_sum = F.sum_if(Field('amount'), Field('amount') > 1000)

# Conta usuários ativos
active_count = F.count_if(Field('status') == 'active')

# No contexto de groupby
result = ds.groupby('region').agg({
    'total': ('amount', 'sum'),
    'high_value': ('amount', F.sum_if(Field('amount') > 1000)),
})

from chdb.datastore import F, Field

# Coletar todas as tags por categoria
result = ds.groupby('category').agg({
    'all_tags': ('tag', F.group_array()),
    'unique_tags': ('tag', F.group_uniq_array())
})

# Obter os 5 principais produtos por região
result = ds.groupby('region').agg({
    'top_products': ('product_id', F.top_k(5))
})

from chdb.datastore import F, Field

# Adicionar número de linha
ds['row_num'] = F.row_number().over(order_by='date')

# Classificar dentro dos grupos
ds['rank'] = F.rank().over(
    partition_by='category',
    order_by='sales'
)

# Classificação densa (sem lacunas)
ds['dense_rank'] = F.dense_rank().over(
    partition_by='region',
    order_by=('revenue', 'desc')
)

# Dividir em quartis
ds['quartile'] = F.ntile(4).over(order_by='score')

# Valor anterior e próximo
ds['prev_price'] = F.lag('price', 1).over(order_by='date')
ds['next_price'] = F.lead('price', 1).over(order_by='date')

# Primeiro e último na partição
ds['first_order'] = F.first_value('amount').over(
    partition_by='customer_id',
    order_by='date'
)

# Cálculos cumulativos
ds['running_total'] = ds['amount'].cumsum()
ds['running_max'] = ds['amount'].cummax()

# Com agrupamento
ds['group_cumsum'] = ds.groupby('category')['amount'].cumsum()

# Período a período
ds['daily_diff'] = ds['sales'].diff(1)
ds['pct_change'] = ds['sales'].pct_change(1)

# Agregações de janela deslizante
ds['rolling_avg'] = ds['price'].rolling(window=7).mean()
ds['rolling_sum'] = ds['amount'].rolling(window=30).sum()
ds['rolling_std'] = ds['value'].rolling(window=10).std()

# Janelas expansivas
ds['expanding_max'] = ds['price'].expanding().max()
ds['expanding_sum'] = ds['amount'].expanding().sum()

from chdb.datastore import F, Field

# Agregações
F.sum(Field('amount'))
F.avg(Field('price'))
F.count(Field('id'))

# Estatísticas
F.quantile(Field('value'), 0.95)
F.stddev_pop(Field('score'))
F.corr(Field('x'), Field('y'))

# Condicionais
F.sum_if(Field('amount'), Field('status') == 'completed')
F.count_if(Field('is_active'))

# String
F.length(Field('name'))
F.upper(Field('text'))

# Data/Hora
F.to_year(Field('date'))
F.date_diff('day', Field('start'), Field('end'))

# Array
F.array_sum(Field('values'))
F.array_avg(Field('scores'))

# Matemática
F.abs(Field('delta'))
F.round(Field('price'), 2)
F.floor(Field('value'))
F.ceil(Field('value'))

# Definir frame da janela
window = F.window(
    partition_by='category',
    order_by='date',
    rows_between=(-7, 0)  # Linha atual e as 7 anteriores
)

ds['rolling_avg'] = F.avg(Field('price')).over(window)

# Top 3 produtos por categoria por vendas
result = (ds
    .assign(rank=F.row_number().over(
        partition_by='category',
        order_by=('sales', 'desc')
    ))
    .filter(ds['rank'] <= 3)
)

# Total acumulado de vendas
ds['running_total'] = F.sum('amount').over(
    order_by='date',
    rows_between=(None, 0)  # Todas as linhas até a atual
)

# Média móvel de 7 dias
ds['ma_7'] = F.avg('price').over(
    order_by='date',
    rows_between=(-6, 0)
)

# Comparação ano a ano (YoY)
ds['prev_year_sales'] = F.lag('sales', 12).over(
    partition_by='product_id',
    order_by='month'
)
ds['yoy_growth'] = (ds['sales'] - ds['prev_year_sales']) / ds['prev_year_sales']

# Classificar clientes por gasto total
ds['spend_percentile'] = F.percent_rank().over(order_by='total_spend')