Fonctionnalités clés
- Moteur SQL OLAP in-process - Propulsé par ClickHouse, sans besoin d’installer serveur ClickHouse
- Nombreux formats de données - Prise en charge en entrée et en sortie de Parquet, CSV, JSON, Arrow, ORC et de 70+ autres formats
- Copie des données minimisée - De C++ vers Python avec python memoryview
- Intégration poussée à l’écosystème Python - Prise en charge native de Pandas, Arrow et DB API 2.0, avec une intégration fluide dans les workflows existants de data science
- Zéro dépendance - Aucune installation de base de données externe n’est nécessaire
- API DataStore - API compatible avec Pandas, avec optimisation SQL, prenant en charge plus de 630 méthodes
DataStore : API compatible avec pandas
Migration en une seule ligne
Résultats de performance
| Opération | pandas | DataStore | Gain de vitesse |
|---|---|---|---|
| GroupBy count | 347ms | 17ms | 19.93x |
| Pipeline complexe | 2,047ms | 380ms | 5.39x |
| Filter+Sort+Head | 1,537ms | 350ms | 4.40x |
Fonctionnalités de DataStore
- 630+ méthodes d’API - 209 méthodes de pandas DataFrame, plus de 185 méthodes d’accesseur
- Évaluation paresseuse - Les opérations sont compilées en SQL optimisé
- SQL Pushdown - Les filtres et les agrégations s’exécutent au niveau de la source de données
- Sources de données universelles - Lecture à partir de fichiers, de S3, de bases de données et de data lakes
Quels langages sont pris en charge par chDB ?
Comment démarrer ?
- Si vous utilisez Go, Rust, NodeJS, Bun ou C and C++, consultez les pages consacrées à chaque langage.
- Si vous utilisez Python, consultez le guide de démarrage pour les développeurs ou le cours chDB à la demande.
Pour les utilisateurs de pandas
- Quickstart de DataStore - Installation et migration en une ligne
- Migration depuis pandas - Guide de migration étape par étape
- Recettes pandas - Cas d’usage courants
- Principales différences - Différences importantes par rapport à pandas
- Guide des performances - Conseils d’optimisation
Référence de l’API DataStore
- Méthodes de fabrique - Créer à partir de fichiers, de bases de données ou du stockage cloud
- Construction de requêtes - Opérations de type SQL
- Compatibilité Pandas - 209 méthodes compatibles
- Accesseurs - .str, .dt, .arr, .json, .url, .ip, .geo
- Configuration - Moteur, journalisation, profilage
- Débogage - explain(), profilage, journalisation
Guides de l’API SQL
- Référence de l’API Python - Documentation complète de l’API SQL
- JupySQL
- Interroger Pandas
- Interroger Apache Arrow
- Interroger des données sur S3
- Interroger des fichiers Parquet
- Interroger ClickHouse à distance
- Utiliser la base de données clickhouse-local
Une vidéo d’introduction
Benchmarks de performance
- ClickBench des moteurs embarqués - Comparaison des performances de l’API SQL
- DataFrame Benchmark - Comparaison des moteurs DataFrame
- DataStore vs Pandas - Jusqu’à 20x plus rapide que pandas pour les opérations courantes
À propos de chDB
- Lisez l’histoire complète de la création du projet chDB sur le blog
- Découvrez chDB et ses cas d’usage sur le Blog
- Suivez le cours chDB à la demande
- Découvrez chDB dans votre navigateur à l’aide des exemples codapi
- Pour plus d’exemples, voir (https://github.com/chdb-io/chdb/tree/main/examples)