> ## 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. # DataStore : API compatible avec pandas, avec optimisation SQL > DataStore fournit une API compatible avec pandas, avec optimisation SQL, pour l’analyse de données à hautes performances export const Image = ({img, alt, size}) => { return {alt} ; }; DataStore est l’API compatible avec pandas de chDB qui associe l’interface familière des pandas DataFrame à la puissance de l’optimisation des requêtes SQL et vous permet d’écrire du code dans le style de pandas tout en bénéficiant des performances de ClickHouse.
## Fonctionnalités clés
* **Compatibilité avec pandas** : 209 méthodes de DataFrame pandas, 56 méthodes `.str`, plus de 42 méthodes `.dt` * **Optimisation SQL** : les opérations sont automatiquement compilées en requêtes SQL optimisées * **Évaluation paresseuse** : les opérations sont différées jusqu’à ce que leurs résultats soient nécessaires * **630+ méthodes d’API** : une API complète pour la manipulation des données * **Extensions ClickHouse** : accesseurs supplémentaires (`.arr`, `.json`, `.url`, `.ip`, `.geo`) non disponibles dans pandas
## Architecture
Architecture de DataStore DataStore utilise l’**évaluation paresseuse** avec une **exécution sur deux moteurs** : 1. **Chaîne d’opérations différées** : les opérations sont enregistrées, sans être exécutées immédiatement 2. **Sélection intelligente du moteur** : QueryPlanner dirige chaque segment vers le moteur le plus adapté (chDB pour SQL, Pandas pour les opérations complexes) 3. **Mise en cache intermédiaire** : les résultats sont mis en cache à chaque étape pour accélérer l’exploration itérative Voir le [Modèle d’exécution](/fr/products/chdb/datastore/execution-model) pour plus de détails.
## Migration en une ligne à partir de Pandas
```python theme={null} # Before (pandas) import pandas as pd df = pd.read_csv("data.csv") result = df[df['age'] > 25].groupby('city')['salary'].mean() # After (DataStore) - just change the import! from chdb import datastore as pd df = pd.read_csv("data.csv") result = df[df['age'] > 25].groupby('city')['salary'].mean() ``` Votre code pandas existant fonctionne tel quel, mais s’exécute désormais sur le moteur ClickHouse.
## Comparaison des performances
DataStore offre des gains de performances significatifs par rapport à pandas, en particulier pour l’agrégation et les pipelines complexes : | 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** | | GroupBy agg | 406ms | 141ms | **2.88x** | *Benchmark sur 10 M de lignes. Voir le [script de benchmark](https://github.com/chdb-io/chdb/blob/main/refs/benchmark_datastore_vs_pandas.py) et le [guide des performances](/fr/products/chdb/guides/pandas-performance) pour plus de détails.*
## Quand utiliser DataStore
**Utilisez DataStore lorsque :** * Vous travaillez avec de grands jeux de données (des millions de lignes) * Vous effectuez des agrégations et des opérations de groupby * Vous interrogez des données depuis des fichiers, des bases de données ou un stockage cloud * Vous créez des pipelines de données complexes * Vous souhaitez profiter de l'API pandas avec de meilleures performances **Utilisez l'API Raw SQL lorsque :** * Vous préférez écrire du SQL directement * Vous avez besoin d'un contrôle précis sur l'exécution des requêtes * Vous utilisez des fonctionnalités propres à ClickHouse qui ne sont pas exposées dans l'API pandas
## Comparaison des fonctionnalités
| Fonctionnalité | Pandas | Polars | DuckDB | DataStore | | ---------------------------------- | ------ | --------- | ------ | ---------------- | | Compatibilité avec l'API Pandas | - | Partielle | Non | **Totale** | | Évaluation paresseuse | Non | Oui | Oui | **Oui** | | Prise en charge des requêtes SQL | Non | Oui | Oui | **Oui** | | Fonctions ClickHouse | Non | Non | Non | **Oui** | | Accesseurs String/DateTime | Oui | Oui | Non | **Oui + extras** | | Array/JSON/URL/IP/Geo | Non | Partielle | Non | **Oui** | | Requêtes directes sur des fichiers | Non | Oui | Oui | **Oui** | | Prise en charge du stockage cloud | Non | Limitée | Oui | **Oui** |
## Statistiques de l’API
| Catégorie | Nombre | Couverture | | ------------------------------- | -------- | --------------------------------------------------- | | Méthodes DataFrame | 209 | 100 % de pandas | | Accesseur Series.str | 56 | 100 % de pandas | | Accesseur Series.dt | 42+ | 100 %+ (inclut des extensions propres à ClickHouse) | | Accesseur Series.arr | 37 | Spécifique à ClickHouse | | Accesseur Series.json | 13 | Spécifique à ClickHouse | | Accesseur Series.url | 15 | Spécifique à ClickHouse | | Accesseur Series.ip | 9 | Spécifique à ClickHouse | | Accesseur Series.geo | 14 | Spécifique à ClickHouse | | **Total des méthodes de l’API** | **630+** | - |
### Prise en main
* [Démarrage rapide](/fr/products/chdb/datastore/quickstart) - Installation et utilisation de base * [Migration depuis Pandas](/fr/products/chdb/guides/migration-from-pandas) - Guide de migration pas à pas
### Référence de l’API
* [Méthodes de fabrique](/fr/products/chdb/datastore/factory-methods) - Création de DataStore à partir de diverses sources * [Construction de requêtes](/fr/products/chdb/datastore/query-building) - Opérations de requête de type SQL * [compatibilité avec pandas](/fr/products/chdb/datastore/pandas-compat) - Les 209 méthodes compatibles avec pandas * [Accesseurs](/fr/products/chdb/datastore/accessors) - Accesseurs String, DateTime, Array, JSON, URL, IP et Geo * [Agrégation](/fr/products/chdb/datastore/aggregation) - Fonctions d’agrégation et fonctions de fenêtre * [Opérations d’E/S](/fr/products/chdb/datastore/io) - Lecture et écriture de données
### Sujets avancés
* [Modèle d'exécution](/fr/products/chdb/datastore/execution-model) - Évaluation paresseuse et mise en cache * [Référence de classe](/fr/products/chdb/datastore/class-reference) - Référence complète de l'API
### Configuration & débogage
* [Configuration](/fr/products/chdb/configuration/index) - Toutes les options de configuration * [Mode Performance](/fr/products/chdb/configuration/performance-mode) - Mode orienté SQL pour un débit maximal * [Débogage](/fr/products/chdb/debugging/index) - Explain, profilage et journalisation
### Guides d’utilisation de Pandas
* [Livre de recettes Pandas](/fr/products/chdb/guides/pandas-cookbook) - Cas d’usage courants * [Principales différences](/fr/products/chdb/guides/pandas-differences) - Différences importantes par rapport à pandas * [Guide des performances](/fr/products/chdb/guides/pandas-performance) - Conseils d’optimisation * [SQL pour les utilisateurs de Pandas](/fr/products/chdb/guides/pandas-to-sql) - Comprendre le SQL sous-jacent aux opérations pandas
## Exemple rapide
```python theme={null} from chdb import datastore as pd # Read data from various sources ds = pd.read_csv("sales.csv") # or: ds = pd.DataStore.uri("s3://bucket/sales.parquet") # or: ds = pd.DataStore.from_mysql("mysql://user:pass@host/db/table") # Familiar pandas operations - automatically optimized to SQL result = (ds .filter(ds['amount'] > 1000) # WHERE amount > 1000 .groupby('region') # GROUP BY region .agg({'amount': ['sum', 'mean']}) # SUM(amount), AVG(amount) .sort_values('sum', ascending=False) # ORDER BY sum DESC .head(10) # LIMIT 10 ) # View the generated SQL print(result.to_sql()) # Execute and get results df = result.to_df() # Returns pandas DataFrame ```
## Étapes suivantes
* **Vous débutez avec DataStore ?** Commencez par le [guide de démarrage rapide](/fr/products/chdb/datastore/quickstart) * **Vous utilisez déjà pandas ?** Consultez le [guide de migration](/fr/products/chdb/guides/migration-from-pandas) * **Vous voulez en savoir plus ?** Consultez la [référence de l’API](/fr/products/chdb/datastore/class-reference)