Modelo de execução do DataStore

Entender o modelo de avaliação preguiçosa do DataStore é essencial para usá-lo com eficiência e obter o melhor desempenho.

Avaliação preguiçosa

O DataStore usa avaliação preguiçosa - as operações não são executadas imediatamente, mas são registradas e compiladas em consultas SQL otimizadas. A execução só ocorre quando os resultados são realmente necessários.

Exemplo: Lazy vs Imediato

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

Benefícios da avaliação preguiçosa

Otimização de consultas: várias operações são compiladas em uma única consulta SQL otimizada
Pushdown de filtros: os filtros são aplicados no nível da fonte de dados
Poda de colunas: apenas as colunas necessárias são lidas
Decisões adiadas: o mecanismo de execução pode ser escolhido em tempo de execução
Inspeção do plano: você pode visualizar/depurar a consulta antes de executá-la

Gatilhos de execução

A execução é iniciada automaticamente quando você precisa de valores reais:

Gatilhos automáticos

Gatilho	Exemplo	Descrição
`print()` / `repr()`	`print(ds)`	Exibe os resultados
`len()`	`len(ds)`	Obtém a contagem de linhas
`.columns`	`ds.columns`	Obtém os nomes das colunas
`.dtypes`	`ds.dtypes`	Obtém os tipos das colunas
`.shape`	`ds.shape`	Obtém as dimensões
`.index`	`ds.index`	Obtém o índice das linhas
`.values`	`ds.values`	Obtém um array NumPy
Iteração	`for row in ds`	Itera sobre as linhas
`to_df()`	`ds.to_df()`	Converte para pandas
`to_pandas()`	`ds.to_pandas()`	Alias de to_df
`to_dict()`	`ds.to_dict()`	Converte para dict
`to_numpy()`	`ds.to_numpy()`	Converte para array
`.equals()`	`ds.equals(other)`	Compara DataStores

Exemplos:

# 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

Operações que permanecem lazy

Operação	Retorna	Descrição
`filter()`	DataStore	Adiciona cláusula WHERE
`select()`	DataStore	Adiciona seleção de colunas
`sort()`	DataStore	Adiciona ORDER BY
`groupby()`	LazyGroupBy	Prepara GROUP BY
`join()`	DataStore	Adiciona JOIN
`ds['col']`	ColumnExpr	Referência de coluna
`ds[['col1', 'col2']]`	DataStore	Seleção de colunas

Exemplos:

# 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

Execução em três fases

As operações do DataStore seguem um modelo de execução em três fases:

Fase 1: Construção da consulta SQL (lazy)

As operações que podem ser expressas em SQL são acumuladas:

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

Fase 2: Momento da execução

Quando ocorre um disparo, o SQL acumulado é executado:

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

Fase 3: Operações com DataFrame (se houver)

Se você encadear operações específicas do pandas após a execução:

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

Visualizando planos de execução

Use explain() para ver o que será executado:

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

Use verbose=True para obter mais detalhes:

query.explain(verbose=True)

Consulte Depuração: explain() para ver a documentação completa.

Cache

O DataStore armazena em cache os resultados da execução para evitar consultas redundantes.

Como o cache funciona

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

Invalidação do cache

O cache é invalidado quando operações modificam o 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)

Controle manual do cache

# Clear cache
ds.clear_cache()

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

Combinando operações SQL e do Pandas

O DataStore lida de forma inteligente com operações que combinam SQL e Pandas:

Operações compatíveis com SQL

Estas operações são compiladas em SQL:

filter(), where()
select()
groupby(), agg()
sort(), orderby()
limit(), offset()
join(), union()
distinct()
Operações em colunas (matemática, comparação, métodos de texto)

Operações exclusivas do Pandas

Estas operações disparam a execução e usam o Pandas:

apply() com funções personalizadas
pivot_table() com agregações complexas
stack(), unstack()
Operações em DataFrames já executados

Pipelines híbridos

# 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
)

Seleção do mecanismo de execução

O DataStore pode executar operações usando diferentes motores:

Modo Automático (Padrão)

from chdb.datastore.config import config

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

Forçar o engine chDB

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

Forçar o engine do pandas

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

Consulte Configuração: mecanismo de execução para mais detalhes.

Implicações no desempenho

Bom: Filtrar logo no início

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

Ruim: filtrar tarde

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

Bom: selecione as colunas logo no início

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

Bom: deixe o SQL fazer o trabalho

# 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

Resumo de boas práticas

Encadeie as operações antes de executar - Monte a consulta completa e só então a execute uma vez
Filtre o quanto antes - Reduza os dados na origem
Selecione apenas as colunas necessárias - A poda de colunas melhora o desempenho
Use explain() para entender a execução - Faça a depuração antes de executar
Deixe o SQL cuidar das agregações - O ClickHouse é otimizado para isso
Fique atento aos gatilhos de execução - Evite execuções antecipadas acidentais
Use o cache com critério - Entenda quando o cache é invalidado