Перейти к основному содержимому
Перейти к основному содержимому

Справочник по Pandas

Типовые приёмы Pandas и их эквиваленты в DataStore. Большая часть кода работает без изменений!

Загрузка данных​

Чтение CSV​

# Pandas
import pandas as pd
df = pd.read_csv("data.csv")

# DataStore - same!
from chdb import datastore as pd
df = pd.read_csv("data.csv")

Чтение нескольких файлов​

# Pandas
import glob
dfs = [pd.read_csv(f) for f in glob.glob("data/*.csv")]
df = pd.concat(dfs)

# DataStore - more efficient with glob pattern
df = pd.read_csv("data/*.csv")

Фильтрация​

Одно условие​

# Pandas and DataStore - identical
df[df['age'] > 25]
df[df['city'] == 'NYC']
df[df['name'].str.contains('John')]

Несколько условий​

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

# OR
df[(df['age'] < 18) | (df['age'] > 65)]

# NOT
df[~(df['status'] == 'inactive')]

Использование функции query()​

# Pandas and DataStore - identical
df.query('age > 25 and city == "NYC"')
df.query('salary > 50000')

isin()​

# Pandas and DataStore - identical
df[df['city'].isin(['NYC', 'LA', 'SF'])]

between()​

# Pandas and DataStore - identical
df[df['age'].between(18, 65)]

Выбор столбцов​

Один столбец​

# Pandas and DataStore - identical
df['name']
df.name  # attribute access

Несколько столбцов​

# Pandas and DataStore - identical
df[['name', 'age', 'city']]

Выборка и фильтрация​

# Pandas and DataStore - identical
df[df['age'] > 25][['name', 'salary']]

# DataStore also supports SQL-style
df.filter(df['age'] > 25).select('name', 'salary')

Сортировка​

Один столбец​

# Pandas and DataStore - identical
df.sort_values('salary')
df.sort_values('salary', ascending=False)

Несколько столбцов​

# Pandas and DataStore - identical
df.sort_values(['city', 'salary'], ascending=[True, False])

Получение верхних/нижних N​

# Pandas and DataStore - identical
df.nlargest(10, 'salary')
df.nsmallest(5, 'age')

GroupBy и агрегирование​

Простой пример GroupBy​

# Pandas and DataStore - identical
df.groupby('city')['salary'].mean()
df.groupby('city')['salary'].sum()
df.groupby('city').size()  # count

Несколько агрегаций​

# Pandas and DataStore - identical
df.groupby('city')['salary'].agg(['sum', 'mean', 'count'])

df.groupby('city').agg({
    'salary': ['sum', 'mean'],
    'age': ['min', 'max']
})

Именованные агрегации​

# Pandas and DataStore - identical
df.groupby('city').agg(
    total_salary=('salary', 'sum'),
    avg_salary=('salary', 'mean'),
    employee_count=('id', 'count')
)

Несколько ключей группировки​

# Pandas and DataStore - identical
df.groupby(['city', 'department'])['salary'].mean()

Объединение данных​

Внутреннее соединение​

# Pandas
pd.merge(df1, df2, on='id')

# DataStore - same API
pd.merge(df1, df2, on='id')

# DataStore also supports
df1.join(df2, on='id')

Левое соединение​

# Pandas and DataStore - identical
pd.merge(df1, df2, on='id', how='left')

Объединение по разным столбцам​

# Pandas and DataStore - identical
pd.merge(df1, df2, left_on='emp_id', right_on='id')

Объединение​

# Pandas and DataStore - identical
pd.concat([df1, df2, df3])
pd.concat([df1, df2], axis=1)

Операции со строками​

Изменение регистра​

# Pandas and DataStore - identical
df['name'].str.upper()
df['name'].str.lower()
df['name'].str.title()

Подстрока​

# Pandas and DataStore - identical
df['name'].str[:3]        # First 3 characters
df['name'].str.slice(0, 3)

# Pandas and DataStore - identical
df['name'].str.contains('John')
df['name'].str.startswith('A')
df['name'].str.endswith('son')

Замена​

# Pandas and DataStore - identical
df['text'].str.replace('old', 'new')
df['text'].str.replace(r'\d+', '', regex=True)  # Remove digits

Разделение​

# Pandas and DataStore - identical
df['name'].str.split(' ')
df['name'].str.split(' ', expand=True)

Продолжительность​

# Pandas and DataStore - identical
df['name'].str.len()

Операции с датой и временем​

Выделение компонентов​

# Pandas and DataStore - identical
df['date'].dt.year
df['date'].dt.month
df['date'].dt.day
df['date'].dt.dayofweek
df['date'].dt.hour

Форматирование​

# Pandas and DataStore - identical
df['date'].dt.strftime('%Y-%m-%d')

Пропущенные данные​

Проверка пропущенных значений​

# Pandas and DataStore - identical
df['col'].isna()
df['col'].notna()
df.isna().sum()

Удаление пропущенных значений​

# Pandas and DataStore - identical
df.dropna()
df.dropna(subset=['col1', 'col2'])

Заполнение пропущенных значений​

# Pandas and DataStore - identical
df.fillna(0)
df.fillna({'col1': 0, 'col2': 'Unknown'})
df.fillna(method='ffill')

Создание новых столбцов​

Простое присваивание​

# Pandas and DataStore - identical
df['total'] = df['price'] * df['quantity']
df['age_group'] = df['age'] // 10 * 10

Использование функции assign()​

# Pandas and DataStore - identical
df = df.assign(
    total=df['price'] * df['quantity'],
    is_adult=df['age'] >= 18
)

Условные выражения (where/mask)​

# Pandas and DataStore - identical
df['status'] = df['age'].where(df['age'] >= 18, 'minor')

apply() для пользовательской логики​

# Works, but triggers pandas execution
df['category'] = df['amount'].apply(lambda x: 'high' if x > 1000 else 'low')

# DataStore alternative (stays lazy)
df['category'] = (
    df.when(df['amount'] > 1000, 'high')
      .otherwise('low')
)

Изменение структуры данных​

Сводная таблица​

# Pandas and DataStore - identical
df.pivot_table(
    values='amount',
    index='region',
    columns='product',
    aggfunc='sum'
)

Melt (unpivot, обратное преобразование)​

# Pandas and DataStore - identical
df.melt(
    id_vars=['name'],
    value_vars=['score1', 'score2', 'score3'],
    var_name='test',
    value_name='score'
)

Развёртка (explode)​

# Pandas and DataStore - identical
df.explode('tags')  # Expand array column

Оконные функции​

Скользящие окна​

# Pandas and DataStore - identical
df['rolling_avg'] = df['price'].rolling(window=7).mean()
df['rolling_sum'] = df['amount'].rolling(window=30).sum()

Расширяющиеся окна​

# Pandas and DataStore - identical
df['cumsum'] = df['amount'].expanding().sum()
df['cummax'] = df['amount'].expanding().max()

Смещение​

# Pandas and DataStore - identical
df['prev_value'] = df['value'].shift(1)   # Lag
df['next_value'] = df['value'].shift(-1)  # Lead

Разница​

# Pandas and DataStore - identical
df['change'] = df['value'].diff()
df['pct_change'] = df['value'].pct_change()

Результат​

В CSV​

# Pandas and DataStore - identical
df.to_csv("output.csv", index=False)

В Parquet​

# Pandas and DataStore - identical
df.to_parquet("output.parquet")

В DataFrame библиотеки pandas​

# DataStore specific
pandas_df = ds.to_df()
pandas_df = ds.to_pandas()

Дополнительные возможности DataStore​

Просмотр SQL​

# DataStore only
print(ds.to_sql())

План выполнения​

# DataStore only
ds.explain()

Функции ClickHouse​

# DataStore only - extra accessors
df['domain'] = df['url'].url.domain()
df['json_value'] = df['data'].json.get_string('key')
df['ip_valid'] = df['ip'].ip.is_ipv4_string()

Универсальный URI​

# DataStore only - read from anywhere
ds = DataStore.uri("s3://bucket/data.parquet")
ds = DataStore.uri("mysql://user:pass@host/db/table")