> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-8c05c8a2.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# تنميط DataStore

> قِس أداء DataStore باستخدام أداة Profiler المدمجة

تساعدك أداة Profiler في DataStore على قياس زمن التنفيذ وتحديد مواضع اختناق الأداء.

<div id="quick-start">
  ## البدء السريع
</div>

```python theme={null}
from chdb import datastore as pd
from chdb.datastore.config import config, get_profiler

# Enable profiling
config.enable_profiling()

# Run your operations
ds = pd.read_csv("large_data.csv")
result = (ds
    .filter(ds['amount'] > 100)
    .groupby('category')
    .agg({'amount': 'sum'})
    .sort('sum', ascending=False)
    .head(10)
    .to_df()
)

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

<div id="enabling">
  ## تمكين التنميط
</div>

```python theme={null}
from chdb.datastore.config import config

# Enable profiling
config.enable_profiling()

# Disable profiling
config.disable_profiling()

# Check if profiling is enabled
print(config.profiling_enabled)  # True or False
```

***

<div id="api">
  ## واجهة برمجة التطبيقات لـ Profiler
</div>

<div id="get-profiler">
  ### استرجاع Profiler
</div>

```python theme={null}
from chdb.datastore.config import get_profiler

profiler = get_profiler()
```

<div id="report">
  ### report()
</div>

يعرض تقريرًا عن الأداء.

```python theme={null}
profiler.report(min_duration_ms=0.1)
```

**المعلمات:**

| المعلمة           | النوع    | الافتراضي | الوصف                                     |
| ----------------- | -------- | --------- | ----------------------------------------- |
| `min_duration_ms` | عدد عشري | `0.1`     | اعرض فقط الخطوات التي مدتها >= هذه القيمة |

**ناتج المثال:**

```text theme={null}
======================================================================
EXECUTION PROFILE
======================================================================
   45.79ms (100.0%) Total Execution
     23.25ms ( 50.8%) Query Planning [ops_count=2]
     22.29ms ( 48.7%) SQL Segment 1 [ops=2]
       20.48ms ( 91.9%) SQL Execution
        1.74ms (  7.8%) Result to DataFrame
----------------------------------------------------------------------
      TOTAL:    45.79ms
======================================================================
```

يعرض التقرير ما يلي:

* المدة بالمللي ثانية لكل خطوة
* النسبة المئوية من وقت الخطوة الأب/إجمالي الوقت
* التداخل الهرمي للعمليات
* البيانات الوصفية لكل خطوة (مثلًا، `ops_count` و`ops`)

<div id="step">
  ### step()
</div>

قِس مدة تنفيذ كتلة تعليمات برمجية يدويًا.

```python theme={null}
with profiler.step("custom_operation"):
    # Your code here
    expensive_operation()
```

<div id="clear">
  ### clear()
</div>

امسح جميع بيانات تحليل الأداء.

```python theme={null}
profiler.clear()
```

<div id="summary">
  ### summary()
</div>

يعيد قاموسًا يربط أسماء الخطوات بالمدد (مللي ثانية).

```python theme={null}
summary = profiler.summary()
for name, duration in summary.items():
    print(f"{name}: {duration:.2f}ms")
```

ناتج المثال:

```text theme={null}
Total Execution: 45.79ms
Total Execution.Cache Check: 0.00ms
Total Execution.Query Planning: 23.25ms
Total Execution.SQL Segment 1: 22.29ms
Total Execution.SQL Segment 1.SQL Execution: 20.48ms
Total Execution.SQL Segment 1.Result to DataFrame: 1.74ms
```

***

<div id="understanding">
  ## فهم التقرير
</div>

<div id="step-names">
  ### أسماء الخطوات
</div>

| اسم الخطوة            | الوصف                                     |
| --------------------- | ----------------------------------------- |
| `Total Execution`     | إجمالي وقت التنفيذ                        |
| `Query Planning`      | الوقت المستغرَق في تخطيط الاستعلام        |
| `SQL Segment N`       | تنفيذ مقطع SQL رقم N                      |
| `SQL Execution`       | التنفيذ الفعلي لاستعلام SQL               |
| `Result to DataFrame` | تحويل النتائج إلى pandas                  |
| `Cache Check`         | التحقق من ذاكرة تخزين الاستعلامات المؤقتة |
| `Cache Write`         | كتابة النتائج إلى ذاكرة التخزين المؤقت    |

<div id="duration">
  ### المدة
</div>

* **خطوات التخطيط** (تخطيط الاستعلام): تكون عادةً سريعة
* **خطوات التنفيذ** (تنفيذ SQL): حيث يتم العمل الفعلي
* **خطوات النقل** (من النتيجة إلى DataFrame): تحويل البيانات إلى pandas

<div id="bottlenecks">
  ### تحديد مواطن الاختناق
</div>

```text theme={null}
======================================================================
EXECUTION PROFILE
======================================================================
  200.50ms (100.0%) Total Execution
    10.25ms (  5.1%) Query Planning [ops_count=4]
   190.00ms ( 94.8%) SQL Segment 1 [ops=4]
     185.00ms ( 97.4%) SQL Execution    <- Main bottleneck
       5.00ms (  2.6%) Result to DataFrame
----------------------------------------------------------------------
      TOTAL:   200.50ms
======================================================================
```

***

<div id="patterns">
  ## أنماط التنميط
</div>

<div id="single-query">
  ### حلّل استعلامًا واحدًا
</div>

```python theme={null}
config.enable_profiling()
profiler = get_profiler()
profiler.clear()  # Clear previous data

# Run query
result = ds.filter(...).groupby(...).agg(...).to_df()

# View this query's profile
print(profiler.report())
```

<div id="multiple-queries">
  ### حلّل عدة استعلامات
</div>

```python theme={null}
config.enable_profiling()
profiler = get_profiler()
profiler.clear()

# Query 1
with profiler.step("Query 1"):
    result1 = query1.to_df()

# Query 2
with profiler.step("Query 2"):
    result2 = query2.to_df()

print(profiler.report())
```

<div id="compare">
  ### مقارنة بين الأساليب
</div>

```python theme={null}
profiler = get_profiler()

# Approach 1: Filter then groupby
profiler.clear()
with profiler.step("filter_then_groupby"):
    result1 = ds.filter(ds['x'] > 10).groupby('y').sum().to_df()
summary1 = profiler.summary()
time1 = summary1.get('filter_then_groupby', 0)

# Approach 2: Groupby then filter
profiler.clear()
with profiler.step("groupby_then_filter"):
    result2 = ds.groupby('y').sum().filter(ds['x'] > 10).to_df()
summary2 = profiler.summary()
time2 = summary2.get('groupby_then_filter', 0)

print(f"Approach 1: {time1:.2f}ms")
print(f"Approach 2: {time2:.2f}ms")
print(f"Winner: {'Approach 1' if time1 < time2 else 'Approach 2'}")
```

***

<div id="optimization">
  ## نصائح لتحسين الأداء
</div>

<div id="check-sql">
  ### 1. تحقّق من وقت تنفيذ SQL
</div>

إذا كان `SQL execution` هو موضع الاختناق:

* أضف المزيد من عوامل التصفية لتقليل حجم البيانات
* استخدم Parquet بدلًا من CSV
* تحقّق من وجود فهارس مناسبة (لمصادر البيانات المعتمدة على قواعد البيانات)

<div id="check-io">
  ### 2. تحقّق من زمن I/O
</div>

إذا كان `read_csv` أو `read_parquet` هو موضع الاختناق:

* استخدم Parquet (تنسيق عمودي ومضغوط)
* اقرأ الأعمدة المطلوبة فقط
* طبّق التصفية عند المصدر إن أمكن

<div id="check-transfer">
  ### 3. تحقّق من نقل البيانات
</div>

إذا كان `to_df` بطيئًا:

* قد تكون مجموعة النتائج كبيرة جدًا
* أضف المزيد من عوامل التصفية أو ضع حدًا
* استخدم `head()` للمعاينة

<div id="compare-engines">
  ### 4. مقارنة المحركات
</div>

```python theme={null}
from chdb.datastore.config import config

# Profile with chdb
config.use_chdb()
profiler.clear()
result_chdb = query.to_df()
time_chdb = profiler.total_duration_ms

# Profile with pandas
config.use_pandas()
profiler.clear()
result_pandas = query.to_df()
time_pandas = profiler.total_duration_ms

print(f"chdb: {time_chdb:.2f}ms")
print(f"pandas: {time_pandas:.2f}ms")
```

***

<div id="best-practices">
  ## أفضل الممارسات
</div>

<div id="best-practice-1">
  ### 1. حلّل الأداء قبل التحسين
</div>

```python theme={null}
# Don't guess - measure!
config.enable_profiling()
result = your_query.to_df()
print(get_profiler().report())
```

<div id="best-practice-2">
  ### 2. نظِّف بين الاختبارات
</div>

```python theme={null}
profiler.clear()  # Clear previous data
# Run test
print(profiler.report())
```

<div id="best-practice-3">
  ### 3. استخدم `min_duration_ms` للتركيز
</div>

```python theme={null}
# Only show operations >= 100ms
profiler.report(min_duration_ms=100)
```

<div id="best-practice-4">
  ### 4. حلّل البيانات النموذجية
</div>

```python theme={null}
# Profile with real-world data sizes
# Small test data may not show real bottlenecks
```

<div id="best-practice-5">
  ### 5. التعطيل في بيئة الإنتاج
</div>

```python theme={null}
# Development
config.enable_profiling()

# Production
config.set_profiling_enabled(False)  # Avoid overhead
```

***

<div id="example">
  ## مثال: جلسة التنميط الكاملة
</div>

```python theme={null}
from chdb import datastore as pd
from chdb.datastore.config import config, get_profiler

# Setup
config.enable_profiling()
config.enable_debug()  # Also see what's happening
profiler = get_profiler()

# Load data
profiler.clear()
print("=== Loading Data ===")
ds = pd.read_csv("sales_2024.csv")  # 10M rows
print(profiler.report())

# Query 1: Simple filter
profiler.clear()
print("\n=== Query 1: Simple Filter ===")
result1 = ds.filter(ds['amount'] > 1000).to_df()
print(profiler.report())

# Query 2: Complex aggregation
profiler.clear()
print("\n=== Query 2: Complex Aggregation ===")
result2 = (ds
    .filter(ds['amount'] > 100)
    .groupby('region', 'category')
    .agg({
        'amount': ['sum', 'mean', 'count'],
        'quantity': 'sum'
    })
    .sort('sum', ascending=False)
    .head(20)
    .to_df()
)
print(profiler.report())

# Summary
print("\n=== Summary ===")
print(f"Query 1: {len(result1)} rows")
print(f"Query 2: {len(result2)} rows")
```