Профилирование DataStore

Оценивайте производительность DataStore с помощью встроенного профилировщика

Профилировщик DataStore помогает измерять время выполнения и выявлять узкие места.

​

Быстрый старт

from chdb import datastore as pd
from chdb.datastore.config import config, get_profiler

# Включить профилирование
config.enable_profiling()

# Выполните операции
ds = pd.read_csv("large_data.csv")
result = (ds
    .filter(ds['amount'] > 100)
    .groupby('category')
    .agg({'amount': 'sum'})
    .sort('sum', ascending=False)
    .head(10)
    .to_df()
)

# Просмотреть отчёт
profiler = get_profiler()
print(profiler.report())

​

Включение профилирования

from chdb.datastore.config import config

# Включить профилирование
config.enable_profiling()

# Отключить профилирование
config.disable_profiling()

# Проверить, включено ли профилирование
print(config.profiling_enabled)  # True or False

---

​

API профилировщика

​

Получение объекта профилировщика

from chdb.datastore.config import get_profiler

profiler = get_profiler()

​

report()

Выводит отчёт о производительности.

profiler.report(min_duration_ms=0.1)

Параметры:

Параметр	Тип	По умолчанию	Описание
min_duration_ms	float	0.1	Показывать только шаги с длительностью не меньше этого значения

Пример вывода:

======================================================================
EXECUTION PROFILE
======================================================================
   45.79ms (100.0%) Total Execution
     23.25ms ( 50.8%) Query Planning [ops_count=2]
     22.29ms ( 48.7%) SQL Segment 1 [ops=2]
       20.48ms ( 91.9%) SQL Execution
        1.74ms (  7.8%) Result to DataFrame
----------------------------------------------------------------------
      TOTAL:    45.79ms
======================================================================

Отчёт показывает:

• Длительность каждого шага в миллисекундах
• Долю времени относительно родительского и общего вызова
• Иерархическую вложенность операций
• Метаданные для каждого шага (например, ops_count, ops)

​

step()

Вручную измерьте время выполнения блока кода.

with profiler.step("custom_operation"):
    # Ваш код здесь
    expensive_operation()

​

clear()

Очищает все данные профилирования.

profiler.clear()

​

summary()

Возвращает словарь, сопоставляющий имена шагов с их длительностью (мс).

summary = profiler.summary()
for name, duration in summary.items():
    print(f"{name}: {duration:.2f}ms")

Пример вывода:

Total Execution: 45.79ms
Total Execution.Cache Check: 0.00ms
Total Execution.Query Planning: 23.25ms
Total Execution.SQL Segment 1: 22.29ms
Total Execution.SQL Segment 1.SQL Execution: 20.48ms
Total Execution.SQL Segment 1.Result to DataFrame: 1.74ms

---

​

Как читать отчёт

​

Названия шагов

Название шага	Описание
Total Execution	Общее время выполнения
Query Planning	Время, затраченное на планирование запроса
SQL Segment N	Выполнение сегмента SQL N
SQL Execution	Непосредственное выполнение SQL-запроса
Result to DataFrame	Преобразование результатов в DataFrame pandas
Cache Check	Проверка кэша запросов
Cache Write	Запись результатов в кэш

​

Длительность

• Этапы планирования (Планирование запроса): Обычно выполняются быстро
• Этапы выполнения (Выполнение SQL): Здесь происходит основная работа
• Этапы передачи (Результат в DataFrame): Преобразование данных в DataFrame pandas

​

Выявление узких мест

======================================================================
EXECUTION PROFILE
======================================================================
  200.50ms (100.0%) Total Execution
    10.25ms (  5.1%) Query Planning [ops_count=4]
   190.00ms ( 94.8%) SQL Segment 1 [ops=4]
     185.00ms ( 97.4%) SQL Execution    <- Основное узкое место
       5.00ms (  2.6%) Result to DataFrame
----------------------------------------------------------------------
      TOTAL:   200.50ms
======================================================================

---

​

Шаблоны профилирования

​

Профилирование отдельного запроса

config.enable_profiling()
profiler = get_profiler()
profiler.clear()  # Очистить предыдущие данные

# Выполнить запрос
result = ds.filter(...).groupby(...).agg(...).to_df()

# Просмотреть профиль этого запроса
print(profiler.report())

​

Профилирование нескольких запросов

config.enable_profiling()
profiler = get_profiler()
profiler.clear()

# Запрос 1
with profiler.step("Query 1"):
    result1 = query1.to_df()

# Запрос 2
with profiler.step("Query 2"):
    result2 = query2.to_df()

print(profiler.report())

​

Сравнение подходов

profiler = get_profiler()

# Подход 1: сначала фильтрация, затем группировка
profiler.clear()
with profiler.step("filter_then_groupby"):
    result1 = ds.filter(ds['x'] > 10).groupby('y').sum().to_df()
summary1 = profiler.summary()
time1 = summary1.get('filter_then_groupby', 0)

# Подход 2: сначала группировка, затем фильтрация
profiler.clear()
with profiler.step("groupby_then_filter"):
    result2 = ds.groupby('y').sum().filter(ds['x'] > 10).to_df()
summary2 = profiler.summary()
time2 = summary2.get('groupby_then_filter', 0)

print(f"Approach 1: {time1:.2f}ms")
print(f"Approach 2: {time2:.2f}ms")
print(f"Winner: {'Approach 1' if time1 < time2 else 'Approach 2'}")

---

​

Советы по оптимизации

​

1. Проверьте время выполнения SQL

Если SQL execution — узкое место:

• Добавьте больше фильтров, чтобы уменьшить объем данных
• Используйте Parquet вместо CSV
• Проверьте наличие подходящих индексов (для источников баз данных)

​

2. Проверьте время операций I/O

Если read_csv или read_parquet — узкое место:

• Используйте Parquet (столбцовый, сжатый формат)
• Читайте только нужные столбцы
• По возможности фильтруйте на стороне источника

​

3. Проверьте передачу данных

Если to_df работает медленно:

• Результирующий набор может быть слишком большим
• Добавьте больше фильтров или ограничьте выборку
• Используйте head() для предварительного просмотра

​

4. Сравните движки

from chdb.datastore.config import config

# Профилирование с chdb
config.use_chdb()
profiler.clear()
result_chdb = query.to_df()
time_chdb = profiler.total_duration_ms

# Профилирование с pandas
config.use_pandas()
profiler.clear()
result_pandas = query.to_df()
time_pandas = profiler.total_duration_ms

print(f"chdb: {time_chdb:.2f}ms")
print(f"pandas: {time_pandas:.2f}ms")

---

​

Рекомендации

​

1. Профилируйте перед оптимизацией

# Не гадайте — измеряйте!
config.enable_profiling()
result = your_query.to_df()
print(get_profiler().report())

​

2. Очищайте состояние между тестами

profiler.clear()  # Очистить предыдущие данные
# Запустить тест
print(profiler.report())

​

3. Используйте min_duration_ms для Focus

# Показывать только операции >= 100 мс
profiler.report(min_duration_ms=100)

​

4. Профилируйте на репрезентативных данных

# Профилируйте с реальными объёмами данных
# Небольшие тестовые данные могут не выявить реальных узких мест

​

5. Отключите в продакшне

# Разработка
config.enable_profiling()

# Продакшн
config.set_profiling_enabled(False)  # Избежать накладных расходов

---

​

Пример: полный сеанс профилирования

from chdb import datastore as pd
from chdb.datastore.config import config, get_profiler

# Настройка
config.enable_profiling()
config.enable_debug()  # Также смотрим, что происходит
profiler = get_profiler()

# Загрузка данных
profiler.clear()
print("=== Loading Data ===")
ds = pd.read_csv("sales_2024.csv")  # 10M строк
print(profiler.report())

# Запрос 1: Простой фильтр
profiler.clear()
print("\n=== Query 1: Simple Filter ===")
result1 = ds.filter(ds['amount'] > 1000).to_df()
print(profiler.report())

# Запрос 2: Сложная агрегация
profiler.clear()
print("\n=== Query 2: Complex Aggregation ===")
result2 = (ds
    .filter(ds['amount'] > 100)
    .groupby('region', 'category')
    .agg({
        'amount': ['sum', 'mean', 'count'],
        'quantity': 'sum'
    })
    .sort('sum', ascending=False)
    .head(20)
    .to_df()
)
print(profiler.report())

# Итог
print("\n=== Summary ===")
print(f"Query 1: {len(result1)} rows")
print(f"Query 2: {len(result2)} rows")