DataStore обеспечивает заметно более высокую производительность, чем pandas, во многих операциях. В этом руководстве объясняется, почему это так и как оптимизировать рабочие нагрузки.
Почему DataStore работает быстрее
1. SQL Pushdown
Operations выполняются на стороне источника данных:
# pandas: Loads ALL data, then filters in memory
df = pd.read_csv("huge.csv") # Load 10GB
df = df[df['year'] == 2024] # Filter in Python
# DataStore: Filter at source
ds = pd.read_csv("huge.csv") # Just metadata
ds = ds[ds['year'] == 2024] # Filter in SQL
df = ds.to_df() # Only load filtered data2. Отсечение столбцов
Считываются только необходимые столбцы:
# DataStore: Only reads name, age columns
ds = pd.read_parquet("wide_table.parquet")
result = ds.select('name', 'age').to_df()
# vs pandas: Reads all 100 columns, then selects3. Отложенное вычисление
Несколько операций сводятся к одному запросу:
# DataStore: One optimized SQL query
result = (ds
.filter(ds['amount'] > 100)
.groupby('region')
.agg({'amount': 'sum'})
.sort('sum', ascending=False)
.head(10)
.to_df()
)
# Becomes:
# SELECT region, SUM(amount) FROM data
# WHERE amount > 100
# GROUP BY region ORDER BY sum DESC LIMIT 10Бенчмарк: DataStore и pandas
Тестовая среда
- Данные: 10 миллионов строк
- Оборудование: стандартный ноутбук
- Формат файла: CSV
Результаты
| Операция | pandas (мс) | DataStore (мс) | Победитель |
|---|---|---|---|
| Подсчет в GroupBy | 347 | 17 | DataStore (19.93x) |
| Комбинация операций | 1,535 | 234 | DataStore (6.56x) |
| Сложный конвейер | 2,047 | 380 | DataStore (5.39x) |
| MultiFilter+Sort+Head | 1,963 | 366 | DataStore (5.36x) |
| Filter+Sort+Head | 1,537 | 350 | DataStore (4.40x) |
| Head/Limit | 166 | 45 | DataStore (3.69x) |
| Сверхсложный (10+ операций) | 1,070 | 338 | DataStore (3.17x) |
| Агрегация GroupBy | 406 | 141 | DataStore (2.88x) |
| Select+Filter+Sort | 1,217 | 443 | DataStore (2.75x) |
| Filter+GroupBy+Sort | 466 | 184 | DataStore (2.53x) |
| Filter+Select+Sort | 1,285 | 533 | DataStore (2.41x) |
| Sort (одиночный) | 1,742 | 1,197 | DataStore (1.45x) |
| Filter (одиночный) | 276 | 526 | Сопоставимо |
| Sort (multiple) | 947 | 1,477 | Сопоставимо |
Ключевые выводы
- Операции GroupBy: DataStore до 19,93 раза быстрее
- Сложные конвейеры: DataStore в 5–6 раз быстрее (за счёт SQL pushdown)
- Простые операции среза: Производительность сопоставима — разность незначительна
- Лучший сценарий использования: Многошаговые операции с GroupBy/агрегацией
- Zero-copy:
to_df()работает без накладных расходов на преобразование данных
Когда DataStore предпочтительнее
Ресурсоемкие агрегации
# DataStore excels: 19.93x faster
result = ds.groupby('category')['amount'].sum()Сложные конвейеры
# DataStore excels: 5-6x faster
result = (ds
.filter(ds['date'] >= '2024-01-01')
.filter(ds['amount'] > 100)
.groupby('region')
.agg({'amount': ['sum', 'mean', 'count']})
.sort('sum', ascending=False)
.head(20)
)Обработка больших файлов
# DataStore: Only loads what you need
ds = pd.read_parquet("huge_file.parquet")
result = ds.filter(ds['id'] == 12345).to_df() # Fast!Операции над несколькими столбцами
# DataStore: Combines into single SQL
ds['total'] = ds['price'] * ds['quantity']
ds['is_large'] = ds['total'] > 1000
ds = ds.filter(ds['is_large'])Когда производительность pandas сопоставима
В большинстве сценариев DataStore не уступает pandas по производительности или превосходит его. Однако в следующих случаях pandas может быть немного быстрее:
Небольшие наборы данных (<1,000 строк)
# For very small datasets, overhead is minimal for both
# Performance difference is negligible
small_df = pd.DataFrame({'x': range(100)})Простые операции среза
# Single slice operations without aggregation
df = df[df['x'] > 10] # pandas slightly faster
ds = ds[ds['x'] > 10] # DataStore comparableПользовательские лямбда-функции Python
# pandas required for custom Python code
def complex_function(row):
return custom_logic(row)
df['result'] = df.apply(complex_function, axis=1)Интеграция DataFrame с поддержкой zero-copy
DataStore использует zero-copy при чтении и записи pandas DataFrame. Это означает:
# to_df() does NOT copy data - it's a zero-copy operation
result = ds.filter(ds['x'] > 10).to_df() # No data conversion overhead
# Same for creating DataStore from DataFrame
ds = DataStore(existing_df) # No data copyКлючевые выводы:
to_df()практически ничего не стоит — без сериализации и копирования данных в памяти- Создание DataStore из pandas DataFrame происходит мгновенно
- Память используется совместно между DataStore и представлениями pandas
Советы по оптимизации
1. Включите режим производительности для ресурсоёмких рабочих нагрузок
Для рабочих нагрузок с интенсивной агрегацией, где вам не требуется точный формат вывода pandas (порядок строк, столбцы MultiIndex, корректировка dtype), включите режим производительности для максимальной пропускной способности:
from chdb.datastore.config import config
config.use_performance_mode()
# Now all operations use SQL-first execution with no pandas overhead:
# - Parallel Parquet reading (no preserve_order)
# - Single-SQL aggregation (filter+groupby in one query)
# - No row-order preservation overhead
# - No MultiIndex, no dtype corrections
result = (ds
.filter(ds['amount'] > 100)
.groupby('region')
.agg({'amount': ['sum', 'mean', 'count']})
)Ожидаемое улучшение: ускорение до 2–8 раз для рабочих нагрузок с filter+groupby, снижение использования памяти при работе с большими файлами Parquet.
См. режим производительности для получения полной информации.
2. Используйте формат Parquet вместо CSV
# CSV: Slower, reads entire file
ds = pd.read_csv("data.csv")
# Parquet: Faster, columnar, compressed
ds = pd.read_parquet("data.parquet")
# Convert once, benefit forever
df = pd.read_csv("data.csv")
df.to_parquet("data.parquet")Ожидаемое ускорение: чтение в 3–10 раз быстрее
3. Фильтруйте как можно раньше
# Good: Filter first, then aggregate
result = (ds
.filter(ds['date'] >= '2024-01-01') # Reduce data early
.groupby('category')['amount'].sum()
)
# Less optimal: Process all data
result = (ds
.groupby('category')['amount'].sum()
.filter(ds['sum'] > 1000) # Filter too late
)4. Выбирайте только нужные столбцы
# Good: отсечение столбцов
result = ds.select('name', 'amount').filter(ds['amount'] > 100)
# Less optimal: All columns loaded
result = ds.filter(ds['amount'] > 100) # Loads all columns5. Используйте SQL-агрегации
# GroupBy is where DataStore shines
# Up to 20x speedup!
result = ds.groupby('category').agg({
'amount': ['sum', 'mean', 'count', 'max'],
'quantity': 'sum'
})6. Используйте head() вместо полноценных запросов
# Don't load entire result if you only need a sample
result = ds.filter(ds['type'] == 'A').head(100) # LIMIT 100
# Avoid this for large results
# result = ds.filter(ds['type'] == 'A').to_df() # Loads everything7. Пакетные операции
# Good: Single execution
result = ds.filter(ds['x'] > 10).filter(ds['y'] < 100).to_df()
# Bad: Multiple executions
result1 = ds.filter(ds['x'] > 10).to_df() # Execute
result2 = result1[result1['y'] < 100] # Execute again8. Используйте explain() для оптимизации
# View the query plan before executing
query = ds.filter(...).groupby(...).agg(...)
query.explain() # Check if operations are pushed down
# Then execute
result = query.to_df()Профилирование рабочей нагрузки
Включить профилирование
from chdb.datastore.config import config, get_profiler
config.enable_profiling()
# Run your workload
result = your_pipeline()
# View report
profiler = get_profiler()
profiler.report()Выявите узкие места
Performance Report
==================
Step Duration % Total
---- -------- -------
SQL execution 2.5s 62.5% <- Bottleneck!
read_csv 1.2s 30.0%
Other 0.3s 7.5%Сравнение подходов
# Test approach 1
profiler.reset()
result1 = approach1()
time1 = profiler.get_steps()[-1]['duration_ms']
# Test approach 2
profiler.reset()
result2 = approach2()
time2 = profiler.get_steps()[-1]['duration_ms']
print(f"Approach 1: {time1:.0f}ms")
print(f"Approach 2: {time2:.0f}ms")Сводка рекомендаций
| Практика | Эффект |
|---|---|
| Включите режим производительности | В 2–8 раз быстрее для задач с агрегацией |
| Используйте файлы Parquet | Чтение в 3–10 раз быстрее |
| Фильтруйте как можно раньше | Сократите объём обрабатываемых данных |
| Выбирайте только нужные столбцы | Сократите I/O и расход памяти |
| Используйте GroupBy/агрегации | До 20 раз быстрее |
| Выполняйте операции батчами | Избегайте повторного выполнения |
| Профилируйте перед оптимизацией | Находите реальные узкие места |
| Используйте explain() | Проверяйте оптимизацию запроса |
| Используйте head() для выборок | Избегайте полного сканирования таблицы |
Краткое руководство по выбору
| Ваша рабочая нагрузка | Рекомендация |
|---|---|
| GroupBy/агрегация | Используйте DataStore |
| Сложный многоэтапный конвейер | Используйте DataStore |
| Большие файлы с фильтрами | Используйте DataStore |
| Простые операции среза | Любой из вариантов (сопоставимая производительность) |
| Пользовательские Python лямбда-функции | Используйте pandas или откладывайте преобразование на потом |
| Очень небольшой объём данных (<1,000 строк) | Любой из вариантов (разница пренебрежимо мала) |