Skip to content
ClickHouse Docs
ClickHouse DocsClickHouse Docs

性能指南

对于许多操作,DataStore 相比 pandas 都能带来显著的性能提升。本指南将解释其原因,以及如何优化你的工作负载。

DataStore 为何更快

1. SQL 下推

操作会被下推到数据源:

# 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 data

2. 列裁剪

只读取所需的列:

# 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 selects

3. 惰性求值

多个操作会被编译为一个查询:

# 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 10

基准测试:DataStore 与 pandas 对比

测试环境

  • 数据量:1000 万行
  • 硬件:标准笔记本电脑
  • 文件格式:CSV

结果

操作 pandas (ms) DataStore (ms) 胜出方
GroupBy 计数 347 17 DataStore (19.93x)
组合操作 1,535 234 DataStore (6.56x)
复杂管道 2,047 380 DataStore (5.39x)
多重过滤+Sort+Head 1,963 366 DataStore (5.36x)
Filter+Sort+Head 1,537 350 DataStore (4.40x)
Head/Limit 166 45 DataStore (3.69x)
超复杂 (10+ 项操作) 1,070 338 DataStore (3.17x)
GroupBy 聚合 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 (单次) 1,742 1,197 DataStore (1.45x)
Filter (单次) 276 526 相当
Sort (多次) 947 1,477 相当

关键结论

  1. GroupBy 操作:DataStore 最高可快 19.93 倍
  2. 复杂管道:DataStore 快 5–6 倍 (受益于 SQL 下推)
  3. 简单切片操作:性能相当——差异微乎其微
  4. 最佳用例:包含 GroupBy/聚合的多步操作
  5. 零拷贝to_df() 没有数据转换开销

DataStore 何时更具优势

高开销聚合

# DataStore excels: 19.93x faster
result = ds.groupby('category')['amount'].sum()

复杂管道

# 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)
)

大文件处理

# DataStore: Only loads what you need
ds = pd.read_parquet("huge_file.parquet")
result = ds.filter(ds['id'] == 12345).to_df()  # Fast!

多列操作

# DataStore: Combines into single SQL
ds['total'] = ds['price'] * ds['quantity']
ds['is_large'] = ds['total'] > 1000
ds = ds.filter(ds['is_large'])

何时 pandas 也能媲美

在大多数情况下,DataStore 的性能与 pandas 相当或更胜一筹。不过,在以下这些特定场景中,pandas 可能会稍快一些:

小型数据集 (<1,000 行)

# For very small datasets, overhead is minimal for both
# Performance difference is negligible
small_df = pd.DataFrame({'x': range(100)})

简单切片操作

# Single slice operations without aggregation
df = df[df['x'] > 10]  # pandas slightly faster
ds = ds[ds['x'] > 10]  # DataStore comparable

自定义 Python Lambda 函数

# pandas required for custom Python code
def complex_function(row):
    return custom_logic(row)

df['result'] = df.apply(complex_function, axis=1)

与 DataFrame 的零拷贝集成

DataStore 使用 零拷贝 方式读写 pandas DataFrame。这意味着:

# 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 copy

主要结论:

  • to_df() 基本没有开销——无需序列化或复制内存
  • 从 pandas DataFrame 创建 DataStore 几乎是瞬时完成的
  • DataStore 与 pandas 视图共享内存

优化建议

1. 为重负载工作负载启用性能模式

对于聚合密集型工作负载,如果不需要精确的 pandas 输出格式 (行顺序、MultiIndex 列、Dtype 修正) ,请启用性能模式以获得最大吞吐量:

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']})
)

预期改进:对于过滤 + groupby 工作负载,速度最高可提升 2–8 倍,并降低大型 Parquet files 的内存使用量。

完整详情请参见 性能模式

2. 使用 Parquet 而非 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")

预期提升:读取速度可提升 3-10 倍

3. 尽早过滤数据

# 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. 只选择所需列

# Good: Column pruning
result = ds.select('name', 'amount').filter(ds['amount'] > 100)

# Less optimal: All columns loaded
result = ds.filter(ds['amount'] > 100)  # Loads all columns

5. 善用 SQL 聚合

# GroupBy is where DataStore shines
# Up to 20x speedup!
result = ds.groupby('category').agg({
    'amount': ['sum', 'mean', 'count', 'max'],
    'quantity': 'sum'
})

6. 使用 head() 代替全量查询

# 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 everything

7. 批次操作

# 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 again

8. 使用 explain() 优化

# 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()

工作负载性能分析

启用性能分析

from chdb.datastore.config import config, get_profiler

config.enable_profiling()

# Run your workload
result = your_pipeline()

# View report
profiler = get_profiler()
profiler.report()

识别瓶颈

Performance Report
==================
Step                    Duration    % Total
----                    --------    -------
SQL execution           2.5s        62.5%     <- Bottleneck!
read_csv                1.2s        30.0%
Other                   0.3s        7.5%

方法比较

# 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")

最佳实践摘要

做法 影响
启用性能模式 聚合类工作负载可提速 2–8 倍
使用 Parquet 文件 读取速度可提升 3–10 倍
尽早过滤数据 减少数据处理量
仅选择所需列 减少 I/O 和内存占用
使用 GroupBy/聚合 最多可提速 20 倍
使用批次操作 避免重复执行
优化前先做分析 找出真正的瓶颈
使用 explain() 验证查询优化效果
对样本使用 head() 避免全表扫描

快速决策指南

你的工作负载 建议
GroupBy/聚合 使用 DataStore
复杂的多步骤管道 使用 DataStore
带过滤器的大文件 使用 DataStore
简单切片操作 两者皆可 (性能相当)
自定义 Python lambda 函数 使用 pandas,或后期再转换
非常小的数据 (<1,000 行) 两者皆可 (差异可忽略)
Navigation