DataFrame con objetos JSON mixtos - ClickHouse Documentation

Requisitos

Python 3.8+
Plataformas compatibles: macOS y Linux (x86_64 y ARM64)

Instalación

pip install chdb

Uso

Interfaz de línea de comandos

Ejecute consultas SQL directamente desde la línea de comandos:

# Consulta básica
python3 -m chdb "SELECT 1, 'abc'" Pretty

# Consulta con formato
python3 -m chdb "SELECT version()" JSON

Uso básico de Python

import chdb

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

# Obtener estadísticas de la consulta
print(f"Rows read: {result.rows_read()}")
print(f"Bytes read: {result.bytes_read()}")
print(f"Execution time: {result.elapsed()} seconds")

API basada en conexiones (recomendada)

Para mejorar la gestión de recursos y el rendimiento:

import chdb

# Crear conexión (en memoria por defecto)
conn = chdb.connect(":memory:")
# O usar basada en archivo: conn = chdb.connect("mydata.db")

# Crear cursor para ejecución de consultas
cur = conn.cursor()

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

# Obtener resultados de distintas formas
print(cur.fetchone())    # Una fila: (0, '0')
print(cur.fetchmany(2))  # Múltiples filas: ((1, '1'), (2, '2'))

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

# Usar el cursor como iterador
for row in cur:
    print(row)

# Cerrar siempre los recursos
cur.close()
conn.close()

Métodos de ingestión de datos

Fuentes de datos basadas en archivos

chDB admite más de 70 formatos de datos para consultar archivos directamente:

import chdb
# Prepara tus datos
# ...

# Consultar archivos 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')

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

# Múltiples formatos de archivo
result = chdb.query("""
    SELECT * FROM file('logs*.jsonl', JSONEachRow)
    WHERE timestamp > '2024-01-01'
""", 'Pretty')

Ejemplos de formato de salida

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

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

# JSON para APIs
json_result = chdb.query('SELECT version()', 'JSON')
print(json_result)

# Formato Pretty para depuración
pretty_result = chdb.query('SELECT * FROM system.numbers LIMIT 3', 'Pretty')
print(pretty_result)

Operaciones con DataFrame

API heredada de DataFrame

import chdb.dataframe as cdf
import pandas as pd

# Unir múltiples DataFrames
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)

# Consultar el DataFrame resultante
summary = result_df.query('SELECT b, sum(a) FROM __table__ GROUP BY b')
print(summary)

Motor de tabla de Python (recomendado)

import chdb
import pandas as pd
import pyarrow as pa

# Consultar DataFrame de Pandas directamente
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'}
    ]
})

# Consulta directa de DataFrame con soporte 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()

# Consultar tabla Arrow
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()

Sesiones con estado

Las sesiones conservan el estado de la consulta a lo largo de múltiples operaciones, lo que permite flujos de trabajo complejos:

from chdb import session

# Sesión temporal (limpieza automática)
sess = session.Session()

# O sesión persistente con ruta específica
# sess = session.Session("/path/to/data")

# Crear base de datos y tablas
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)
""")

# Insertar datos
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')
""")

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

# Consultar la vista
result = sess.query("SELECT * FROM daily_sales ORDER BY sale_date", "Pretty")
print(result)

# La sesión gestiona los recursos automáticamente
sess.close()  # Opcional: se cierra automáticamente al eliminar el objeto

Funciones avanzadas de la sesión

# Sesión con ajustes personalizados
sess = session.Session(
    path="/tmp/analytics_db",
)

# Optimización del rendimiento de consultas
result = sess.query("""
    SELECT product, sum(amount) as total
    FROM sales 
    GROUP BY product
    ORDER BY total DESC
    SETTINGS max_threads = 4
""", "JSON")

Véase también: test_stateful.py.

Interfaz de Python DB-API 2.0

Interfaz estándar de base de datos para garantizar la compatibilidad con aplicaciones de Python existentes:

import chdb.dbapi as dbapi

# Verificar información del driver
print(f"chDB driver version: {dbapi.get_client_info()}")

# Crear conexión
conn = dbapi.connect()
cursor = conn.cursor()

# Ejecutar consultas con parámetros
cursor.execute("""
    SELECT number, number * ? as doubled 
    FROM system.numbers 
    LIMIT ?
""", (2, 5))

# Obtener metadatos
print("Column descriptions:", cursor.description)
print("Row count:", cursor.rowcount)

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

# Obtener las filas restantes
for row in cursor.fetchall():
    print("Row:", row)

# Operaciones por lotes
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
)

Funciones definidas por el usuario (UDF)

Amplíe SQL con funciones personalizadas en Python:

Uso básico de UDF

from chdb.udf import chdb_udf
from chdb import query

# Función matemática simple
@chdb_udf()
def add_numbers(a, b):
    return int(a) + int(b)

# Función de procesamiento de cadenas
@chdb_udf()
def reverse_string(text):
    return text[::-1]

# Función de procesamiento 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 ''

# Usar UDFs en consultas
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)

UDF avanzadas con tipos de retorno personalizados

# UDF con tipo de retorno específico
@chdb_udf(return_type="Float64")
def calculate_bmi(height_str, weight_str):
    height = float(height_str) / 100  # Convertir cm a metros
    weight = float(weight_str)
    return weight / (height * height)

# UDF para validación de datos
@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

# Uso en consultas complejas
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)

Buenas prácticas para las UDF

Funciones sin estado: las UDF deben ser funciones puras, sin efectos secundarios
Importaciones dentro de las funciones: todos los módulos necesarios deben importarse dentro de la UDF
Entrada/salida de cadenas: todos los parámetros de las UDF son cadenas (formato TabSeparated)
Manejo de errores: incluya bloques try-catch para que las UDF sean robustas
Rendimiento: las UDF se invocan para cada fila, así que optimícelas para obtener el mejor rendimiento

# UDF bien estructurada con manejo de errores
@chdb_udf(return_type="String")
def safe_json_extract(json_str, path):
    import json
    try:
        data = json.loads(json_str)
        keys = path.split('.')
        result = data
        for key in keys:
            if isinstance(result, dict) and key in result:
                result = result[key]
            else:
                return 'null'
        return str(result)
    except Exception as e:
        return f'error: {str(e)}'

# Usar con JSON anidado complejo
query("""
    SELECT safe_json_extract(
        '{"user": {"profile": {"name": "Alice", "age": 25}}}',
        'user.profile.name'
    ) as extracted_name
""")

Procesamiento de consultas en streaming

Procese grandes volúmenes de datos con un uso de memoria constante:

from chdb import session

sess = session.Session()

# Configurar conjunto de datos grande
sess.query("""
    CREATE TABLE large_data ENGINE = Memory() AS 
    SELECT number as id, toString(number) as data 
    FROM numbers(1000000)
""")

# Ejemplo 1: Streaming básico con gestor de contexto
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")
        
        # Terminación anticipada si es necesario
        if total_rows > 100000:
            break

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

# Ejemplo 2: Iteración manual con limpieza explícita
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
    
    # Procesar datos del fragmento
    lines = chunk.data().strip().split('\n')
    for line in lines:
        if line:  # Omitir líneas vacías
            processed_count += 1
    
    print(f"Processed {processed_count} records so far...")
    
stream.close()  # Importante: limpieza explícita

# Ejemplo 3: Integración con Arrow para bibliotecas externas
import pyarrow as pa
from deltalake import write_deltalake

# Transmitir resultados en formato Arrow
stream = sess.send_query("SELECT * FROM large_data LIMIT 100000", "Arrow")

# Crear RecordBatchReader con tamaño de lote personalizado
batch_reader = stream.record_batch(rows_per_batch=10000)

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

stream.close()
sess.close()

Motor de tabla de Python

Consultar DataFrames de Pandas

import chdb
import pandas as pd

# DataFrame complejo con datos anidados
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"]}
    ]
})

# Consultas avanzadas con operaciones 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()

# Window functions sobre 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)

Fuentes de datos personalizadas con PyReader

Implemente lectores personalizados para fuentes de datos especializadas:

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

class DatabaseReader(chdb.PyReader):
    """Lector personalizado para fuentes de datos similares a bases de datos"""
    
    def __init__(self, connection_string: str):
        # Simular conexión a la base de datos
        self.data = self._load_data(connection_string)
        self.cursor = 0
        self.batch_size = 1000
        super().__init__(self.data)
    
    def _load_data(self, conn_str):
        # Simular carga desde la base de datos
        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]]:
        """Definir el esquema de la tabla con tipos explícitos"""
        return [
            ("id", "UInt64"),
            ("name", "String"),
            ("score", "Int64"),
            ("metadata", "String")  # JSON almacenado como cadena
        ]
    
    def read(self, col_names: List[str], count: int) -> List[List[Any]]:
        """Leer datos en lotes"""
        if self.cursor >= len(self.data["id"]):
            return []  # No hay más datos
        
        end_pos = min(self.cursor + min(count, self.batch_size), len(self.data["id"]))
        
        # Devolver datos para las columnas solicitadas
        result = []
        for col in col_names:
            if col in self.data:
                result.append(self.data[col][self.cursor:end_pos])
            else:
                # Manejar columnas faltantes
                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"}]}
    ]
})

# Controlar la inferencia de JSON con configuraciones
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  -- Analizar todas las filas para la detección de JSON
""", "Pretty")
print(result)

# Operaciones avanzadas con 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)

Rendimiento y optimización

Benchmarks

chDB supera de forma sistemática a otros motores embebidos:

Operaciones de DataFrame: entre 2 y 5 veces más rápidas que las bibliotecas de DataFrame tradicionales para consultas analíticas
Procesamiento de Parquet: competitivo frente a los principales motores columnares
Eficiencia de memoria: menor uso de memoria que las alternativas

Más detalles sobre los resultados del benchmark

Consejos de rendimiento

import chdb

# 1. Usar los formatos de salida adecuados
df_result = chdb.query("SELECT * FROM large_table", "DataFrame")  # Para análisis
arrow_result = chdb.query("SELECT * FROM large_table", "Arrow")    # Para interoperabilidad
native_result = chdb.query("SELECT * FROM large_table", "Native")   # Para chDB-to-chDB

# 2. Optimizar consultas con configuraciones
fast_result = chdb.query("""
    SELECT customer_id, sum(amount) 
    FROM sales 
    GROUP BY customer_id
    SETTINGS 
        max_threads = 8,
        max_memory_usage = '4G',
        use_uncompressed_cache = 1
""", "DataFrame")

# 3. Aprovechar el streaming para grandes conjuntos de datos
from chdb import session

sess = session.Session()

# Configurar un conjunto de datos grande
sess.query("""
    CREATE TABLE large_sales ENGINE = Memory() AS 
    SELECT 
        number as sale_id,
        number % 1000 as customer_id,
        rand() % 1000 as amount
    FROM numbers(10000000)
""")

# Procesamiento de flujo con uso de memoria constante
total_amount = 0
processed_rows = 0

with sess.send_query("SELECT customer_id, sum(amount) as total FROM large_sales GROUP BY customer_id", "JSONEachRow") as stream:
    for chunk in stream:
        lines = chunk.data().strip().split('\n')
        for line in lines:
            if line:  # Omitir líneas vacías
                import json
                row = json.loads(line)
                total_amount += row['total']
                processed_rows += 1
        
        print(f"Processed {processed_rows} customer records, running total: {total_amount}")
        
        # Terminación anticipada para demo
        if processed_rows > 1000:
            break

print(f"Final result: {processed_rows} customers processed, total amount: {total_amount}")

# Transmitir a sistemas externos (p. ej., Delta Lake)
stream = sess.send_query("SELECT * FROM large_sales LIMIT 1000000", "Arrow")
batch_reader = stream.record_batch(rows_per_batch=50000)

# Procesar en lotes
for batch in batch_reader:
    print(f"Processing batch with {batch.num_rows} rows...")
    # Transformar o exportar cada lote
    # df_batch = batch.to_pandas()
    # process_batch(df_batch)

stream.close()
sess.close()

Repositorio de GitHub

Repositorio principal: chdb-io/chdb
Incidencias y soporte: Reporta incidencias en el repositorio de GitHub

​Requisitos

​Instalación

​Uso

​Interfaz de línea de comandos

​Uso básico de Python

​API basada en conexiones (recomendada)

​Métodos de ingestión de datos

​Fuentes de datos basadas en archivos

​Ejemplos de formato de salida

​Operaciones con DataFrame

​API heredada de DataFrame

​Motor de tabla de Python (recomendado)

​Sesiones con estado

​Funciones avanzadas de la sesión

​Interfaz de Python DB-API 2.0

​Funciones definidas por el usuario (UDF)

​Uso básico de UDF

​UDF avanzadas con tipos de retorno personalizados

​Buenas prácticas para las UDF

​Procesamiento de consultas en streaming

​Motor de tabla de Python

​Consultar DataFrames de Pandas

​Fuentes de datos personalizadas con PyReader

​Rendimiento y optimización

​Benchmarks

​Consejos de rendimiento

​Repositorio de GitHub