Migración desde pandas

# Antes (pandas)
import pandas as pd

# Después (DataStore)
from chdb import datastore as pd

# Todos estos funcionan igual
df = pd.read_csv("data.csv")
df = pd.read_parquet("data.parquet")
df = pd.read_json("data.json")
df = pd.read_excel("data.xlsx")

# Indexación booleana
df[df['age'] > 25]
df[(df['age'] > 25) & (df['city'] == 'NYC')]

# método query()
df.query('age > 25 and salary > 50000')

# Selección de columnas
df['name']
df[['name', 'age']]

# Selección de filas
df.head(10)
df.tail(10)
df.iloc[0:100]

# Agrupar por
df.groupby('city')['salary'].mean()
df.groupby(['city', 'dept']).agg({'salary': ['sum', 'mean']})

df.sort_values('salary', ascending=False)
df.sort_values(['city', 'age'])

df['name'].str.upper()
df['name'].str.contains('John')
df['name'].str.len()

df['date'].dt.year
df['date'].dt.month
df['date'].dt.dayofweek

df.to_csv("output.csv")
df.to_parquet("output.parquet")
df.to_json("output.json")

# Se ejecuta inmediatamente
result = df[df['age'] > 25]
print(type(result))  # pandas.DataFrame

# Construye la consulta, aún no la ejecuta
result = ds[ds['age'] > 25]
print(type(result))  # DataStore (diferida)

# Se ejecuta cuando necesitas los datos
print(result)        # Activa la ejecución
df = result.to_df()  # Activa la ejecución

df.drop(columns=['col'], inplace=True)

ds = ds.drop(columns=['col'])  # Asignar el resultado

# Esto puede no funcionar como se espera
df == ds  # pandas no reconoce DataStore

# Haz esto en su lugar
df.equals(ds.to_pandas())

# pandas preserva el orden
df = pd.read_csv("data.csv")

# DataStore - usar sort para orden garantizado
ds = pd.read_csv("data.csv")
ds = ds.sort('id')  # Orden explícito

# pandas
import pandas as pd
df = pd.read_csv("data.csv")
result = df[df['amount'] > 100].groupby('category')['amount'].sum()
result.to_csv("output.csv")

# DataStore: ¡el mismo código funciona!
from chdb import datastore as pd
df = pd.read_csv("data.csv")
result = df[df['amount'] > 100].groupby('category')['amount'].sum()
result.to_csv("output.csv")

from chdb import datastore as pd

# Operaciones rápidas de DataStore
ds = pd.read_csv("large_data.csv")
ds = ds.filter(ds['date'] >= '2024-01-01')
ds = ds.filter(ds['amount'] > 100)

# Convertir a pandas para funciones específicas
df = ds.to_df()
df_pivoted = df.pivot_table(...)  # específico de pandas

from chdb import datastore as pd
import pandas

# Comenzar con DataStore para filtrado rápido
ds = pd.read_csv("huge_file.csv")  # 10M filas
ds = ds.filter(ds['year'] == 2024)  # Filtro SQL rápido
ds = ds.select('col1', 'col2', 'col3')  # Poda de columnas

# Convertir para operaciones específicas de pandas
df = ds.to_df()  # Ahora solo ~100K filas
result = df.apply(complex_custom_function)  # pandas

from chdb.datastore.config import config
config.enable_debug()

# Ver el SQL que se está generando
ds.filter(ds['x'] > 10).explain()

# Mal: varias ejecuciones pequeñas
for i in range(1000):
    result = ds.filter(ds['id'] == i).to_df()

# Bien: una sola ejecución
result = ds.filter(ds['id'].isin(ids)).to_df()

# Comprobar tipos
print(ds.dtypes)

# Forzar conversión
ds['col'] = ds['col'].astype('int64')

# Mantener ambas importaciones
import pandas as pd
from chdb import datastore as ds

# Comparar resultados
pdf = pd.read_csv("data.csv")
dsf = ds.read_csv("data.csv")

# Verificar que coincidan
assert pdf.equals(dsf.to_pandas())

from chdb import datastore as pd

# Dejar que DataStore haga el trabajo pesado
ds = pd.read_csv("data.csv")
ds = ds.filter(ds['year'] == 2024)  # SQL

# Convertir para trabajo personalizado
df = ds.to_df()
result = df.apply(my_custom_function)

from chdb import datastore as ds
import pandas as pd

# De DataStore a pandas
df = ds_result.to_pandas()

# De pandas a DataStore  
ds = ds.DataFrame(pd_result)

def test_my_function():
    result = my_function()
    expected = pd.DataFrame(...)
    pd.testing.assert_frame_equal(result.to_pandas(), expected)

from chdb import datastore as pd

ds = pd.read_csv("data.csv")
ds.head()  # Se visualiza correctamente en Jupyter