> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-fbfa8bee.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Operaciones de E/S de DataStore

> Lectura y escritura de datos con DataStore: todos los formatos y destinos compatibles

DataStore permite leer y escribir en varios formatos de archivo y fuentes de datos.

<div id="reading">
  ## Lectura de datos
</div>

<div id="read-csv">
  ### Archivos CSV
</div>

```python theme={null}
read_csv(filepath_or_buffer, sep=',', header='infer', names=None, 
         usecols=None, dtype=None, nrows=None, skiprows=None,
         compression=None, encoding=None, **kwargs)
```

**Ejemplos:**

```python theme={null}
from chdb import datastore as pd

# Lectura básica de CSV
ds = pd.read_csv("data.csv")

# Con opciones
ds = pd.read_csv(
    "data.csv",
    sep=";",                    # Delimitador personalizado
    header=0,                   # Índice de la fila de encabezado
    names=['a', 'b', 'c'],      # Nombres de columnas personalizados
    usecols=['a', 'b'],         # Leer solo columnas específicas
    dtype={'a': 'Int64'},       # Especificar tipos de datos
    nrows=1000,                 # Leer solo las primeras 1000 filas
    skiprows=1,                 # Omitir la primera fila
    compression='gzip',         # Archivo comprimido
    encoding='utf-8'            # Codificación
)

# Desde una URL
ds = pd.read_csv("https://example.com/data.csv")
```

<div id="read-parquet">
  ### Archivos Parquet
</div>

Se recomienda para conjuntos de datos grandes: formato columnar con mejor compresión.

```python theme={null}
read_parquet(path, columns=None, **kwargs)
```

**Ejemplos:**

```python theme={null}
# Lectura básica de Parquet
ds = pd.read_parquet("data.parquet")

# Leer solo columnas específicas (eficiente: solo lee los datos necesarios)
ds = pd.read_parquet("data.parquet", columns=['col1', 'col2', 'col3'])

# Desde S3
ds = pd.read_parquet("s3://bucket/data.parquet")
```

<div id="read-json">
  ### Archivos JSON
</div>

```python theme={null}
read_json(path_or_buf, orient=None, lines=False, **kwargs)
```

**Ejemplos:**

```python theme={null}
# JSON estándar
ds = pd.read_json("data.json")

# JSON Lines (delimitado por saltos de línea)
ds = pd.read_json("data.jsonl", lines=True)

# JSON con orientación específica
ds = pd.read_json("data.json", orient='records')
```

<div id="read-excel">
  ### Archivos de Excel
</div>

```python theme={null}
read_excel(io, sheet_name=0, header=0, names=None, **kwargs)
```

**Ejemplos:**

```python theme={null}
# Leer la primera hoja
ds = pd.read_excel("data.xlsx")

# Leer una hoja específica
ds = pd.read_excel("data.xlsx", sheet_name="Sheet1")
ds = pd.read_excel("data.xlsx", sheet_name=2)  # Tercera hoja

# Leer múltiples hojas (devuelve un dict)
sheets = pd.read_excel("data.xlsx", sheet_name=['Sheet1', 'Sheet2'])
```

<div id="read-sql">
  ### Bases de datos SQL
</div>

```python theme={null}
read_sql(sql, con, **kwargs)
```

**Ejemplos:**

```python theme={null}
# Leer desde una consulta SQL
ds = pd.read_sql("SELECT * FROM users", connection)
ds = pd.read_sql("SELECT * FROM orders WHERE date > '2024-01-01'", connection)
```

<div id="read-other">
  ### Otros formatos
</div>

```python theme={null}
# Feather (Arrow)
ds = pd.read_feather("data.feather")

# ORC
ds = pd.read_orc("data.orc")

# Pickle
ds = pd.read_pickle("data.pkl")

# Formato de ancho fijo
ds = pd.read_fwf("data.txt", widths=[10, 20, 15])

# Tablas HTML
ds = pd.read_html("https://example.com/table.html")[0]
```

***

<div id="writing">
  ## Escribir datos
</div>

<div id="to-csv">
  ### to\_csv
</div>

Exportar en formato CSV.

```python theme={null}
to_csv(path_or_buf=None, sep=',', na_rep='', header=True, 
       index=True, mode='w', compression=None, **kwargs)
```

**Ejemplos:**

```python theme={null}
ds = pd.read_parquet("data.parquet")

# Exportación básica
ds.to_csv("output.csv")

# Con opciones
ds.to_csv(
    "output.csv",
    sep=";",                    # Delimitador personalizado
    index=False,                # No incluir el índice
    header=True,                # Incluir encabezado
    na_rep='NULL',              # Representar NaN como 'NULL'
    compression='gzip'          # Comprimir la salida
)

# A cadena de texto
csv_string = ds.to_csv()
```

<div id="to-parquet">
  ### to\_parquet
</div>

Exporta en formato Parquet (recomendado para grandes volúmenes de datos).

```python theme={null}
to_parquet(path, engine='pyarrow', compression='snappy', **kwargs)
```

**Ejemplos:**

```python theme={null}
# Exportación básica
ds.to_parquet("output.parquet")

# Con opciones de compresión
ds.to_parquet("output.parquet", compression='gzip')
ds.to_parquet("output.parquet", compression='zstd')

# Salida particionada
ds.to_parquet(
    "output/",
    partition_cols=['year', 'month']
)
```

<div id="to-json">
  ### to\_json
</div>

Exportar en formato JSON.

```python theme={null}
to_json(path_or_buf=None, orient='records', lines=False, **kwargs)
```

**Ejemplos:**

```python theme={null}
# JSON estándar (array de registros)
ds.to_json("output.json", orient='records')

# JSON Lines (un objeto JSON por línea)
ds.to_json("output.jsonl", lines=True)

# Diferentes orientaciones
ds.to_json("output.json", orient='split')    # {columns, data, index}
ds.to_json("output.json", orient='records')  # [{col: val}, ...]
ds.to_json("output.json", orient='columns')  # {col: {idx: val}}

# A cadena de texto
json_string = ds.to_json()
```

<div id="to-excel">
  ### to\_excel
</div>

Exporta en formato Excel.

```python theme={null}
to_excel(excel_writer, sheet_name='Sheet1', index=True, **kwargs)
```

**Ejemplos:**

```python theme={null}
# Hoja única
ds.to_excel("output.xlsx")
ds.to_excel("output.xlsx", sheet_name="Data", index=False)

# Múltiples hojas
with pd.ExcelWriter("output.xlsx") as writer:
    ds1.to_excel(writer, sheet_name="Sales")
    ds2.to_excel(writer, sheet_name="Inventory")
```

<div id="to-sql-method">
  ### to\_sql
</div>

Exportar a una base de datos SQL o generar una cadena SQL.

```python theme={null}
to_sql(name=None, con=None, schema=None, if_exists='fail', **kwargs)
```

**Ejemplos:**

```python theme={null}
# Generar consulta SQL (sin ejecución)
sql = ds.to_sql()
print(sql)
# SELECT ...
# FROM ...
# WHERE ...

# Escribir en la base de datos
ds.to_sql("table_name", connection, if_exists='replace')
```

<div id="to-other">
  ### Otros métodos de exportación
</div>

```python theme={null}
# A un DataFrame de pandas
df = ds.to_df()
df = ds.to_pandas()

# A una tabla Arrow
table = ds.to_arrow()

# A un arreglo de NumPy
arr = ds.to_numpy()

# A un diccionario
d = ds.to_dict()
d = ds.to_dict(orient='records')  # Lista de diccionarios
d = ds.to_dict(orient='list')     # Diccionario de listas

# A registros (lista de tuplas)
records = ds.to_records()

# A cadena
s = ds.to_string()
s = ds.to_string(max_rows=100)

# A Markdown
md = ds.to_markdown()

# A HTML
html = ds.to_html()

# A LaTeX
latex = ds.to_latex()

# Al portapapeles
ds.to_clipboard()

# A archivo pickle
ds.to_pickle("output.pkl")

# A archivo feather
ds.to_feather("output.feather")
```

***

<div id="format-comparison">
  ## Comparación de formatos de archivo
</div>

| Formato     | Velocidad de lectura | Velocidad de escritura | Tamaño de archivo | Esquema | Mejor para                           |
| ----------- | -------------------- | ---------------------- | ----------------- | ------- | ------------------------------------ |
| **Parquet** | Rápida               | Rápida                 | Pequeño           | Sí      | Grandes volúmenes de datos, análisis |
| **CSV**     | Media                | Rápida                 | Grande            | No      | Compatibilidad, datos simples        |
| **JSON**    | Lenta                | Media                  | Grande            | Parcial | API, datos anidados                  |
| **Excel**   | Lenta                | Lenta                  | Medio             | Parcial | Compartir con usuarios no técnicos   |
| **Feather** | Muy rápida           | Muy rápida             | Medio             | Sí      | Comunicación entre procesos, pandas  |

<div id="recommendations">
  ### Recomendaciones
</div>

1. **Para cargas de trabajo analíticas:** Use Parquet
   * El formato columnar permite leer solo las columnas necesarias
   * Excelente compresión
   * Preserva los tipos de datos

2. **Para el intercambio de datos:** Use CSV o JSON
   * Compatibilidad universal
   * Legible para humanos

3. **Para la interoperabilidad con pandas:** Use Feather o Arrow
   * La serialización más rápida
   * Preserva los tipos

***

<div id="compression">
  ## Compatibilidad con compresión
</div>

<div id="read-compressed">
  ### Lectura de archivos comprimidos
</div>

```python theme={null}
# Detección automática por extensión
ds = pd.read_csv("data.csv.gz")
ds = pd.read_csv("data.csv.bz2")
ds = pd.read_csv("data.csv.xz")
ds = pd.read_csv("data.csv.zst")

# Compresión explícita
ds = pd.read_csv("data.csv", compression='gzip')
```

<div id="write-compressed">
  ### Escribir archivos comprimidos
</div>

```python theme={null}
# CSV con compresión
ds.to_csv("output.csv.gz", compression='gzip')
ds.to_csv("output.csv.bz2", compression='bz2')

# Parquet (siempre comprimido)
ds.to_parquet("output.parquet", compression='snappy')  # Por defecto
ds.to_parquet("output.parquet", compression='gzip')
ds.to_parquet("output.parquet", compression='zstd')    # Mejor relación
ds.to_parquet("output.parquet", compression='lz4')     # Más rápido
```

<div id="compression-options">
  ### Opciones de compresión
</div>

| Compresión | Velocidad  | Ratio    | Caso de uso              |
| ---------- | ---------- | -------- | ------------------------ |
| `snappy`   | Muy rápida | Baja     | Por defecto para Parquet |
| `lz4`      | Muy rápida | Baja     | Prioridad en velocidad   |
| `gzip`     | Media      | Alta     | Compatibilidad           |
| `zstd`     | Rápida     | Muy alta | Mejor equilibrio         |
| `bz2`      | Lenta      | Muy alta | Máxima compresión        |

***

<div id="streaming">
  ## E/S en streaming
</div>

Para archivos muy grandes que no caben en memoria:

<div id="chunked-read">
  ### Lectura por fragmentos
</div>

```python theme={null}
# Leer en fragmentos
for chunk in pd.read_csv("large.csv", chunksize=100000):
    # Procesar cada fragmento
    process(chunk)

# Usar iterador
reader = pd.read_csv("large.csv", iterator=True)
chunk = reader.get_chunk(10000)
```

<div id="clickhouse-streaming">
  ### Uso de ClickHouse Streaming
</div>

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

# Transmitir desde archivo sin cargar todo en memoria
ds = DataStore.from_file("huge.parquet")

# Las operaciones son diferidas: solo calcula lo necesario
result = ds.filter(ds['amount'] > 1000).head(100)
```

***

<div id="remote">
  ## Fuentes de datos remotas
</div>

<div id="http">
  ### HTTP/HTTPS
</div>

```python theme={null}
# Leer desde URL
ds = pd.read_csv("https://example.com/data.csv")
ds = pd.read_parquet("https://example.com/data.parquet")
```

<div id="s3">
  ### S3
</div>

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

# Acceso anónimo
ds = DataStore.uri("s3://bucket/data.parquet?nosign=true")

# Con credenciales
ds = DataStore.from_s3(
    "s3://bucket/data.parquet",
    access_key_id="KEY",
    secret_access_key="SECRET"
)
```

<div id="cloud">
  ### GCS, Azure, HDFS
</div>

Consulte [Métodos de fábrica](/es/products/chdb/datastore/factory-methods) para conocer las opciones de almacenamiento en la nube.

***

<div id="best-practices">
  ## Buenas prácticas
</div>

<div id="use-parquet-for-large-files">
  ### 1. Use Parquet para archivos grandes
</div>

```python theme={null}
# Convierte CSV a Parquet para mejorar el rendimiento
ds = pd.read_csv("large.csv")
ds.to_parquet("large.parquet")

# Las lecturas posteriores son mucho más rápidas
ds = pd.read_parquet("large.parquet")
```

<div id="select-only-needed-columns">
  ### 2. Seleccionar solo las columnas necesarias
</div>

```python theme={null}
# Eficiente - solo lee col1 y col2
ds = pd.read_parquet("data.parquet", columns=['col1', 'col2'])

# Ineficiente - lee todas las columnas y luego filtra
ds = pd.read_parquet("data.parquet")[['col1', 'col2']]
```

<div id="use-compression">
  ### 3. Use la compresión
</div>

```python theme={null}
# Tamaño de archivo menor, generalmente más rápido debido a menor I/O
ds.to_parquet("output.parquet", compression='zstd')
```

<div id="batch-writes">
  ### 4. Escrituras en lote
</div>

```python theme={null}
# Escribe una sola vez, no en un bucle
result = process_all_data(ds)
result.to_parquet("output.parquet")

# NO así (ineficiente)
for chunk in chunks:
    chunk.to_parquet(f"output_{i}.parquet")
```