DataFrame со смешанными JSON-объектами

Требования

Python 3.8+
Поддерживаемые платформы: macOS и Linux (x86_64 и ARM64)

Установка

pip install chdb

Использование

Командная строка

Выполняйте SQL-запросы прямо из командной строки:

# Простой запрос
python3 -m chdb "SELECT 1, 'abc'" Pretty

# Запрос с форматированием
python3 -m chdb "SELECT version()" JSON

Основы использования Python

import chdb

# Простой запрос
result = chdb.query("SELECT 1 as id, 'Hello World' as message", "CSV")
print(result)

# Получение статистики запроса
print(f"Rows read: {result.rows_read()}")
print(f"Bytes read: {result.bytes_read()}")
print(f"Execution time: {result.elapsed()} seconds")

API на основе подключений (рекомендуется)

Для более эффективного управления ресурсами и повышения производительности:

import chdb

# Создать соединение (по умолчанию в памяти)
conn = chdb.connect(":memory:")
# Или использовать файловое хранилище: conn = chdb.connect("mydata.db")

# Создать курсор для выполнения запросов
cur = conn.cursor()

# Выполнить запросы
cur.execute("SELECT number, toString(number) as str FROM system.numbers LIMIT 3")

# Получить результаты разными способами
print(cur.fetchone())    # Одна строка: (0, '0')
print(cur.fetchmany(2))  # Несколько строк: ((1, '1'), (2, '2'))

# Получить метаданные
print(cur.column_names())  # ['number', 'str']
print(cur.column_types())  # ['UInt64', 'String']

# Использовать курсор как итератор
for row in cur:
    print(row)

# Всегда закрывать ресурсы
cur.close()
conn.close()

Способы ввода данных

Файловые источники данных

chDB поддерживает более 70 форматов данных для прямых запросов к файлам:

import chdb
# Подготовьте данные
# ...

# Запрос файлов Parquet
result = chdb.query("""
    SELECT customer_id, sum(amount) as total
    FROM file('sales.parquet', Parquet) 
    GROUP BY customer_id 
    ORDER BY total DESC 
    LIMIT 10
""", 'JSONEachRow')

# Запрос CSV с заголовками
result = chdb.query("""
    SELECT * FROM file('data.csv', CSVWithNames) 
    WHERE column1 > 100
""", 'DataFrame')

# Несколько форматов файлов
result = chdb.query("""
    SELECT * FROM file('logs*.jsonl', JSONEachRow)
    WHERE timestamp > '2024-01-01'
""", 'Pretty')

Примеры формата вывода

# DataFrame для анализа
df = chdb.query('SELECT * FROM system.numbers LIMIT 5', 'DataFrame')
print(type(df))  # <class 'pandas.core.frame.DataFrame'>

# Arrow Table для совместимости  
arrow_table = chdb.query('SELECT * FROM system.numbers LIMIT 5', 'ArrowTable')
print(type(arrow_table))  # <class 'pyarrow.lib.Table'>

# JSON для API
json_result = chdb.query('SELECT version()', 'JSON')
print(json_result)

# Pretty format для отладки
pretty_result = chdb.query('SELECT * FROM system.numbers LIMIT 3', 'Pretty')
print(pretty_result)

Операции с DataFrame

Устаревший API для DataFrame

import chdb.dataframe as cdf
import pandas as pd

# Объединение нескольких DataFrame
df1 = pd.DataFrame({'a': [1, 2, 3], 'b': ["one", "two", "three"]})
df2 = pd.DataFrame({'c': [1, 2, 3], 'd': ["①", "②", "③"]})

result_df = cdf.query(
    sql="SELECT * FROM __tbl1__ t1 JOIN __tbl2__ t2 ON t1.a = t2.c",
    tbl1=df1, 
    tbl2=df2
)
print(result_df)

# Запрос к результирующему DataFrame
summary = result_df.query('SELECT b, sum(a) FROM __table__ GROUP BY b')
print(summary)

Движок таблицы Python (рекомендуется)

import chdb
import pandas as pd
import pyarrow as pa

# Прямой запрос к Pandas DataFrame
df = pd.DataFrame({
    "customer_id": [1, 2, 3, 1, 2],
    "product": ["A", "B", "A", "C", "A"],
    "amount": [100, 200, 150, 300, 250],
    "metadata": [
        {'category': 'electronics', 'priority': 'high'},
        {'category': 'books', 'priority': 'low'},
        {'category': 'electronics', 'priority': 'medium'},
        {'category': 'clothing', 'priority': 'high'},
        {'category': 'books', 'priority': 'low'}
    ]
})

# Прямой запрос к DataFrame с поддержкой JSON
result = chdb.query("""
    SELECT 
        customer_id,
        sum(amount) as total_spent,
        toString(metadata.category) as category
    FROM Python(df)
    WHERE toString(metadata.priority) = 'high'
    GROUP BY customer_id, toString(metadata.category)
    ORDER BY total_spent DESC
""").show()

# Запрос к Arrow Table
arrow_table = pa.table({
    "id": [1, 2, 3, 4],
    "name": ["Alice", "Bob", "Charlie", "David"],
    "score": [98, 89, 86, 95]
})

chdb.query("""
    SELECT name, score
    FROM Python(arrow_table)
    ORDER BY score DESC
""").show()

Сеансы с сохранением состояния

Сеансы сохраняют состояние запроса между несколькими операциями, позволяя реализовывать более сложные сценарии работы:

from chdb import session

# Временный сеанс (автоматическая очистка)
sess = session.Session()

# Или постоянный сеанс с указанным путём
# sess = session.Session("/path/to/data")

# Создание базы данных и таблиц
sess.query("CREATE DATABASE IF NOT EXISTS analytics ENGINE = Atomic")
sess.query("USE analytics")

sess.query("""
    CREATE TABLE sales (
        id UInt64,
        product String,
        amount Decimal(10,2),
        sale_date Date
    ) ENGINE = MergeTree() 
    ORDER BY (sale_date, id)
""")

# Вставка данных
sess.query("""
    INSERT INTO sales VALUES 
        (1, 'Laptop', 999.99, '2024-01-15'),
        (2, 'Mouse', 29.99, '2024-01-16'),
        (3, 'Keyboard', 79.99, '2024-01-17')
""")

# Создание materialized views
sess.query("""
    CREATE MATERIALIZED VIEW daily_sales AS
    SELECT 
        sale_date,
        count() as orders,
        sum(amount) as revenue
    FROM sales 
    GROUP BY sale_date
""")

# Запрос к представлению
result = sess.query("SELECT * FROM daily_sales ORDER BY sale_date", "Pretty")
print(result)

# Сеанс автоматически управляет ресурсами
sess.close()  # Необязательно — закрывается автоматически при удалении объекта

Расширенные возможности сеанса

# Сеанс с пользовательскими настройками
sess = session.Session(
    path="/tmp/analytics_db",
)

# Оптимизация производительности запроса
result = sess.query("""
    SELECT product, sum(amount) as total
    FROM sales 
    GROUP BY product
    ORDER BY total DESC
    SETTINGS max_threads = 4
""", "JSON")

См. также: test_stateful.py.

Интерфейс Python DB-API 2.0

Стандартный интерфейс для работы с базами данных, обеспечивающий совместимость с существующими приложениями Python:

import chdb.dbapi as dbapi

# Проверка информации о драйвере
print(f"chDB driver version: {dbapi.get_client_info()}")

# Создание соединения
conn = dbapi.connect()
cursor = conn.cursor()

# Выполнение запросов с параметрами
cursor.execute("""
    SELECT number, number * ? as doubled 
    FROM system.numbers 
    LIMIT ?
""", (2, 5))

# Получение метаданных
print("Column descriptions:", cursor.description)
print("Row count:", cursor.rowcount)

# Получение результатов
print("First row:", cursor.fetchone())
print("Next 2 rows:", cursor.fetchmany(2))

# Получение оставшихся строк
for row in cursor.fetchall():
    print("Row:", row)

# Батч-операции
data = [(1, 'Alice'), (2, 'Bob'), (3, 'Charlie')]
cursor.execute("""
    CREATE TABLE temp_users (
        id UInt64,
        name String
    ) ENGINE = MergeTree()
    ORDER BY (id)
""")
cursor.executemany(
    "INSERT INTO temp_users (id, name) VALUES (?, ?)", 
    data
)

Пользовательские функции (UDF)

Расширьте SQL с помощью пользовательских Python-функций:

Основы использования UDF

from chdb.udf import chdb_udf
from chdb import query

# Простая математическая функция
@chdb_udf()
def add_numbers(a, b):
    return int(a) + int(b)

# Функция обработки строк
@chdb_udf()
def reverse_string(text):
    return text[::-1]

# Функция обработки JSON  
@chdb_udf()
def extract_json_field(json_str, field):
    import json
    try:
        data = json.loads(json_str)
        return str(data.get(field, ''))
    except:
        return ''

# Использование UDF в запросах
result = query("""
    SELECT 
        add_numbers('10', '20') as sum_result,
        reverse_string('hello') as reversed,
        extract_json_field('{"name": "John", "age": 30}', 'name') as name
""")
print(result)

Расширенные UDF с пользовательскими типами возвращаемых значений

# UDF с конкретным возвращаемым типом
@chdb_udf(return_type="Float64")
def calculate_bmi(height_str, weight_str):
    height = float(height_str) / 100  # Перевод см в метры
    weight = float(weight_str)
    return weight / (height * height)

# UDF для валидации данных
@chdb_udf(return_type="UInt8") 
def is_valid_email(email):
    import re
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return 1 if re.match(pattern, email) else 0

# Использование в сложных запросах
result = query("""
    SELECT 
        name,
        calculate_bmi(height, weight) as bmi,
        is_valid_email(email) as has_valid_email
    FROM (
        SELECT 
            'John' as name, '180' as height, '75' as weight, 'john@example.com' as email
        UNION ALL
        SELECT 
            'Jane' as name, '165' as height, '60' as weight, 'invalid-email' as email
    )
""", "Pretty")
print(result)

Стриминговое выполнение запросов

Обрабатывайте большие объёмы данных при постоянном потреблении памяти:

from chdb import session

sess = session.Session()

# Настройка большого набора данных
sess.query("""
    CREATE TABLE large_data ENGINE = Memory() AS 
    SELECT number as id, toString(number) as data 
    FROM numbers(1000000)
""")

# Пример 1: Базовый стриминг с контекстным менеджером
total_rows = 0
with sess.send_query("SELECT * FROM large_data", "CSV") as stream:
    for chunk in stream:
        chunk_rows = len(chunk.data().split('\n')) - 1
        total_rows += chunk_rows
        print(f"Processed chunk: {chunk_rows} rows")
        
        # Досрочное завершение при необходимости
        if total_rows > 100000:
            break

print(f"Total rows processed: {total_rows}")

# Пример 2: Ручная итерация с явной очисткой
stream = sess.send_query("SELECT * FROM large_data WHERE id % 100 = 0", "JSONEachRow")
processed_count = 0

while True:
    chunk = stream.fetch()
    if chunk is None:
        break
    
    # Обработка данных фрагмента
    lines = chunk.data().strip().split('\n')
    for line in lines:
        if line:  # Пропустить пустые строки
            processed_count += 1
    
    print(f"Processed {processed_count} records so far...")
    
stream.close()  # Важно: явная очистка

# Пример 3: Интеграция Arrow для внешних библиотек
import pyarrow as pa
from deltalake import write_deltalake

# Стриминг результатов в формате Arrow
stream = sess.send_query("SELECT * FROM large_data LIMIT 100000", "Arrow")

# Создание RecordBatchReader с заданным размером батча
batch_reader = stream.record_batch(rows_per_batch=10000)

# Экспорт в Delta Lake
write_deltalake(
    table_or_uri="./my_delta_table",
    data=batch_reader,
    mode="overwrite"
)

stream.close()
sess.close()

Движок таблицы Python

Запросы к DataFrame в Pandas

import chdb
import pandas as pd

# Сложный DataFrame с вложенными данными
df = pd.DataFrame({
    "customer_id": [1, 2, 3, 4, 5, 6],
    "customer_name": ["Alice", "Bob", "Charlie", "Alice", "Bob", "David"],
    "orders": [
        {"order_id": 101, "amount": 250.50, "items": ["laptop", "mouse"]},
        {"order_id": 102, "amount": 89.99, "items": ["book"]},
        {"order_id": 103, "amount": 1299.99, "items": ["phone", "case", "charger"]},
        {"order_id": 104, "amount": 45.50, "items": ["pen", "paper"]},
        {"order_id": 105, "amount": 199.99, "items": ["headphones"]},
        {"order_id": 106, "amount": 15.99, "items": ["cable"]}
    ]
})

# Расширенные запросы с операциями JSON
result = chdb.query("""
    SELECT 
        customer_name,
        count() as order_count,
        sum(toFloat64(orders.amount)) as total_spent,
        arrayStringConcat(
            arrayDistinct(
                arrayFlatten(
                    groupArray(orders.items)
                )
            ), 
            ', '
        ) as all_items
    FROM Python(df)
    GROUP BY customer_name
    HAVING total_spent > 100
    ORDER BY total_spent DESC
""").show()

# Оконные функции для DataFrames
window_result = chdb.query("""
    SELECT 
        customer_name,
        toFloat64(orders.amount) as amount,
        sum(toFloat64(orders.amount)) OVER (
            PARTITION BY customer_name 
            ORDER BY toInt32(orders.order_id)
        ) as running_total
    FROM Python(df)
    ORDER BY customer_name, toInt32(orders.order_id)
""", "Pretty")
print(window_result)

Пользовательские источники данных с PyReader

Реализуйте собственные модули чтения для специализированных источников данных:

import chdb
from typing import List, Tuple, Any
import json

class DatabaseReader(chdb.PyReader):
    """Пользовательский ридер для источников данных, подобных базам данных"""
    
    def __init__(self, connection_string: str):
        # Имитация подключения к базе данных
        self.data = self._load_data(connection_string)
        self.cursor = 0
        self.batch_size = 1000
        super().__init__(self.data)
    
    def _load_data(self, conn_str):
        # Имитация загрузки из базы данных
        return {
            "id": list(range(1, 10001)),
            "name": [f"user_{i}" for i in range(1, 10001)],
            "score": [i * 10 + (i % 7) for i in range(1, 10001)],
            "metadata": [
                json.dumps({"level": i % 5, "active": i % 3 == 0})
                for i in range(1, 10001)
            ]
        }
    
    def get_schema(self) -> List[Tuple[str, str]]:
        """Определение схемы таблицы с явными типами"""
        return [
            ("id", "UInt64"),
            ("name", "String"),
            ("score", "Int64"),
            ("metadata", "String")  # JSON хранится как строка
        ]
    
    def read(self, col_names: List[str], count: int) -> List[List[Any]]:
        """Чтение данных батчами"""
        if self.cursor >= len(self.data["id"]):
            return []  # Данные закончились
        
        end_pos = min(self.cursor + min(count, self.batch_size), len(self.data["id"]))
        
        # Возврат данных для запрошенных столбцов
        result = []
        for col in col_names:
            if col in self.data:
                result.append(self.data[col][self.cursor:end_pos])
            else:
                # Обработка отсутствующих столбцов
                result.append([None] * (end_pos - self.cursor))
        
        self.cursor = end_pos
        return result

### JSON Type Inference and Handling                                

chDB automatically handles complex nested data structures:

```python
import pandas as pd
import chdb

df_with_json = pd.DataFrame({
    "user_id": [1, 2, 3, 4],
    "profile": [
        {"name": "Alice", "age": 25, "preferences": ["music", "travel"]},
        {"name": "Bob", "age": 30, "location": {"city": "NYC", "country": "US"}},
        {"name": "Charlie", "skills": ["python", "sql", "ml"], "experience": 5},
        {"score": 95, "rank": "gold", "achievements": [{"title": "Expert", "date": "2024-01-01"}]}
    ]
})

# Управление выводом типов JSON с помощью настроек
result = chdb.query("""
    SELECT 
        user_id,
        profile.name as name,
        profile.age as age,
        length(profile.preferences) as pref_count,
        profile.location.city as city
    FROM Python(df_with_json)
    SETTINGS pandas_analyze_sample = 1000  -- Анализ всех строк для определения типов JSON
""", "Pretty")
print(result)

# Расширенные операции с JSON
complex_json = chdb.query("""
    SELECT 
        user_id,
        JSONLength(toString(profile)) as json_fields,
        JSONType(toString(profile), 'preferences') as pref_type,
        if(
            JSONHas(toString(profile), 'achievements'),
            JSONExtractString(toString(profile), 'achievements[0].title'),
            'None'
        ) as first_achievement
    FROM Python(df_with_json)
""", "JSONEachRow")
print(complex_json)

Производительность и оптимизация

Бенчмарки

chDB стабильно превосходит другие встраиваемые движки:

Операции с DataFrame: в 2–5 раз быстрее, чем традиционные библиотеки DataFrame, при аналитических запросах
Обработка Parquet: на уровне ведущих столбцовых движков
Эффективность использования памяти: меньший расход памяти по сравнению с альтернативами

Подробнее о результатах бенчмарков

Репозиторий GitHub

Основной репозиторий: chdb-io/chdb
Проблемы и поддержка: Сообщайте о проблемах в репозитории GitHub

DataFrame со смешанными JSON-объектами

Требования

Установка

Использование

Командная строка

Основы использования Python

API на основе подключений (рекомендуется)

Способы ввода данных

Файловые источники данных

Примеры формата вывода

Операции с DataFrame

Устаревший API для DataFrame

Движок таблицы Python (рекомендуется)

Сеансы с сохранением состояния

Расширенные возможности сеанса

Интерфейс Python DB-API 2.0

Пользовательские функции (UDF)

Основы использования UDF

Расширенные UDF с пользовательскими типами возвращаемых значений

Рекомендации по UDF

Стриминговое выполнение запросов

Движок таблицы Python

Запросы к DataFrame в Pandas

Пользовательские источники данных с PyReader

Производительность и оптимизация

Бенчмарки

Рекомендации по повышению производительности

Репозиторий GitHub

​Требования

​Установка

​Использование

​Командная строка

​Основы использования Python

​API на основе подключений (рекомендуется)

​Способы ввода данных

​Файловые источники данных

​Примеры формата вывода

​Операции с DataFrame

​Устаревший API для DataFrame

​Движок таблицы Python (рекомендуется)

​Сеансы с сохранением состояния

​Расширенные возможности сеанса

​Интерфейс Python DB-API 2.0

​Пользовательские функции (UDF)

​Основы использования UDF

​Расширенные UDF с пользовательскими типами возвращаемых значений

​Рекомендации по UDF

​Стриминговое выполнение запросов

​Движок таблицы Python

​Запросы к DataFrame в Pandas

​Пользовательские источники данных с PyReader

​Производительность и оптимизация

​Бенчмарки

​Рекомендации по повышению производительности

​Репозиторий GitHub

Требования

Установка

Использование

Командная строка

Основы использования Python

API на основе подключений (рекомендуется)

Способы ввода данных

Файловые источники данных

Примеры формата вывода

Операции с DataFrame

Устаревший API для DataFrame

Движок таблицы Python (рекомендуется)

Сеансы с сохранением состояния

Расширенные возможности сеанса

Интерфейс Python DB-API 2.0

Пользовательские функции (UDF)

Основы использования UDF

Расширенные UDF с пользовательскими типами возвращаемых значений

Рекомендации по UDF

Стриминговое выполнение запросов

Движок таблицы Python

Запросы к DataFrame в Pandas

Пользовательские источники данных с PyReader

Производительность и оптимизация

Бенчмарки

Рекомендации по повышению производительности

Репозиторий GitHub