pandas와의 주요 차이점

import pandas as pd

df = pd.read_csv("data.csv")  # 전체 파일을 즉시 로드
result = df[df['age'] > 25]   # 즉시 필터링
grouped = result.groupby('city')['salary'].mean()  # 즉시 집계

from chdb import datastore as pd

ds = pd.read_csv("data.csv")  # 소스만 기록
result = ds[ds['age'] > 25]   # 필터만 기록
grouped = result.groupby('city')['salary'].mean()  # 연산만 기록

# 실행은 여기서 시작:
print(grouped)        # 출력 시 실행
df = grouped.to_df()  # 또는 pandas로 변환 시 실행

df['col']           # pd.Series 반환
df[['a', 'b']]      # pd.DataFrame 반환
df[df['x'] > 10]    # pd.DataFrame 반환
df.groupby('x')     # DataFrameGroupBy 반환

ds['col']           # ColumnExpr 반환 (지연 실행)
ds[['a', 'b']]      # DataStore 반환 (지연 실행)
ds[ds['x'] > 10]    # DataStore 반환 (지연 실행)
ds.groupby('x')     # LazyGroupBy 반환

# pandas DataFrame 가져오기
df = ds.to_df()
df = ds.to_pandas()

# 컬럼에서 pandas Series 가져오기
series = ds['col'].to_pandas()

# 또는 실행 트리거
print(ds)  # 표시를 위해 자동으로 변환

df = pd.read_csv("data.csv")
print(df.head())  # 항상 파일과 동일한 순서 유지

ds = pd.read_csv("data.csv")
print(ds.head())  # 파일 순서와 일치

# 필터 적용 후에도 순서 유지
ds_filtered = ds[ds['age'] > 25]  # pandas와 동일한 순서

df.drop(columns=['col'], inplace=True)  # df를 직접 수정
df.fillna(0, inplace=True)              # df를 직접 수정
df.rename(columns={'old': 'new'}, inplace=True)

ds = ds.drop(columns=['col'])           # 새로운 DataStore를 반환합니다
ds = ds.fillna(0)                       # 새로운 DataStore를 반환합니다
ds = ds.rename(columns={'old': 'new'})  # 새로운 DataStore를 반환합니다

df = df.set_index('id')
df.loc['user123']           # 레이블 기반 접근
df.loc['a':'z']             # 레이블 기반 슬라이싱
df.reset_index()
df.index.name = 'user_id'

# 기본 작업 가능
ds.loc[0:10]               # 정수 위치
ds.iloc[0:10]              # DataStore에서 loc과 동일

# pandas 스타일 인덱스 작업의 경우 먼저 변환
df = ds.to_df()
df = df.set_index('id')
df.loc['user123']

import pandas as pd
from chdb import datastore as ds

pdf = pd.DataFrame({'a': [1, 2, 3]})
dsf = ds.DataFrame({'a': [1, 2, 3]})

# 예상대로 동작하지 않음
pdf == dsf  # pandas는 DataStore를 인식하지 못함

# 해결 방법: DataStore를 pandas로 변환
pdf.equals(dsf.to_pandas())  # True

# DataStore.equals()도 작동합니다
dsf.equals(pdf)  # pandas DataFrame과 비교합니다

df['col'].dtype  # int64, float64, object, datetime64, 등

ds['col'].dtype  # Int64, Float64, String, DateTime, etc.

# pandas로 변환 시 타입이 변환됩니다
df = ds.to_df()
df['col'].dtype  # 이제 pandas 타입

# 특정 유형으로 강제 변환
ds['col'] = ds['col'].astype('int64')

df = pd.read_csv("huge.csv")  # 메모리에 10GB!

ds = pd.read_csv("huge.csv")  # 메타데이터뿐
ds = ds.filter(ds['year'] == 2024)  # 여전히 메타데이터뿐

# 필터링된 결과만 불러옵니다
df = ds.to_df()  # 이제 1GB 정도일 수도 있음

# ClickHouse 스타일의 오류가 표시될 수 있습니다
# "Code: 62. DB::Exception: Syntax error..."

# 디버깅을 위해 SQL 확인
print(ds.to_sql())

# 실행 계획 확인
ds.explain()

# 디버그 로깅 활성화
from chdb.datastore.config import config
config.enable_debug()