> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-parallel-read-in-order-multi-part.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Compatibilité de DataStore avec Pandas

> Liste complète des méthodes de pandas DataFrame compatibles dans DataStore (209 méthodes)

DataStore implémente **209 méthodes de pandas DataFrame** pour assurer une compatibilité totale avec l’API. Votre code pandas existant fonctionne avec très peu de modifications.

<div id="approach">
  ## Approche en matière de compatibilité
</div>

```python theme={null}
# Typical migration - just change the import
- import pandas as pd
+ from chdb import datastore as pd

# Your code works unchanged
df = pd.read_csv("data.csv")
result = df[df['age'] > 25].groupby('city')['salary'].mean()
```

**Principes clés :**

* Les 209 méthodes du pandas DataFrame sont implémentées
* Évaluation différée pour l’optimisation SQL
* Encapsulation automatique des types (DataFrame → DataStore, Series → ColumnExpr)
* Opérations immuables (sans `inplace=True`)

***

<div id="attributes">
  ## Attributs et propriétés
</div>

| Propriété | Description | Déclenche l’exécution |
| - | - | - |
| `shape` | tuple (lignes, colonnes) | Oui |
| `columns` | Noms des colonnes (Index) | Oui |
| `dtypes` | Types de données des colonnes | Oui |
| `values` | tableau NumPy | Oui |
| `index` | Index des lignes | Oui |
| `size` | Nombre d’éléments | Oui |
| `ndim` | Nombre de dimensions | Non |
| `empty` | DataFrame vide | Oui |
| `T` | Transposition | Oui |
| `axes` | Liste des axes | Oui |

**Exemples :**

```python theme={null}
from chdb import datastore as pd

ds = pd.read_csv("data.csv")

print(ds.shape)      # (1000, 5)
print(ds.columns)    # Index(['name', 'age', 'city', 'salary', 'dept'])
print(ds.dtypes)     # name: object, age: int64, ...
print(ds.empty)      # False
```

***

<div id="indexing">
  ## Indexation et sélection
</div>

| Méthode | Description | Exemple |
| - | - | - |
| `df['col']` | Sélection d’une colonne | `ds['age']` |
| `df[['col1', 'col2']]` | Sélection de colonnes | `ds[['name', 'age']]` |
| `df[condition]` | Indexation booléenne | `ds[ds['age'] > 25]` |
| `df.loc[...]` | Accès par étiquettes | `ds.loc[0:10, 'name']` |
| `df.iloc[...]` | Accès par indices entiers | `ds.iloc[0:10, 0:3]` |
| `df.at[...]` | Valeur unique par étiquette | `ds.at[0, 'name']` |
| `df.iat[...]` | Valeur unique par position | `ds.iat[0, 0]` |
| `df.head(n)` | n premières lignes | `ds.head(10)` |
| `df.tail(n)` | n dernières lignes | `ds.tail(10)` |
| `df.sample(n)` | Échantillon aléatoire | `ds.sample(100)` |
| `df.select_dtypes()` | Sélection par Dtype | `ds.select_dtypes(include='number')` |
| `df.query()` | Expression de requête | `ds.query('age > 25')` |
| `df.where()` | Remplacement conditionnel | `ds.where(ds['age'] > 0, 0)` |
| `df.mask()` | Inverse de `where` | `ds.mask(ds['age'] < 0, 0)` |
| `df.isin()` | Appartenance à un ensemble de valeurs | `ds['city'].isin(['NYC', 'LA'])` |
| `df.get()` | Accès sécurisé à une colonne | `ds.get('col', default=None)` |
| `df.xs()` | Coupe transversale | `ds.xs('key')` |
| `df.pop()` | Suppression d’une colonne | `ds.pop('col')` |

***

<div id="statistical">
  ## Méthodes statistiques
</div>

| Méthode | Description | Équivalent SQL |
| - | - | - |
| `mean()` | Valeur moyenne | `AVG()` |
| `median()` | Valeur médiane | `MEDIAN()` |
| `mode()` | Mode | - |
| `std()` | Écart-type | `STDDEV()` |
| `var()` | Variance | `VAR()` |
| `min()` | Minimum | `MIN()` |
| `max()` | Maximum | `MAX()` |
| `sum()` | Somme | `SUM()` |
| `prod()` | Produit | - |
| `count()` | Nombre de valeurs non NULL | `COUNT()` |
| `nunique()` | Nombre de valeurs uniques | `UNIQ()` |
| `value_counts()` | Fréquence des valeurs | `GROUP BY` |
| `quantile()` | Quantile | `QUANTILE()` |
| `describe()` | Statistiques descriptives | - |
| `corr()` | Matrice de corrélation | `CORR()` |
| `cov()` | Matrice de covariance | `COV()` |
| `corrwith()` | Corrélation paire à paire | - |
| `rank()` | Rang des valeurs | `RANK()` |
| `abs()` | Valeurs absolues | `ABS()` |
| `round()` | Arrondi des valeurs | `ROUND()` |
| `clip()` | Troncature des valeurs | - |
| `cumsum()` | Somme cumulative | Fonction de fenêtre |
| `cumprod()` | Produit cumulatif | Fonction de fenêtre |
| `cummin()` | Minimum cumulatif | Fonction de fenêtre |
| `cummax()` | Maximum cumulatif | Fonction de fenêtre |
| `diff()` | Différence | Fonction de fenêtre |
| `pct_change()` | Variation en pourcentage | Fonction de fenêtre |
| `skew()` | Coefficient d’asymétrie | `SKEW()` |
| `kurt()` | Kurtosis | `KURT()` |
| `sem()` | Erreur standard | - |
| `all()` | Toutes les valeurs à true | - |
| `any()` | Au moins une valeur à true | - |
| `idxmin()` | Indice du minimum | - |
| `idxmax()` | Indice du maximum | - |

**Exemples :**

```python theme={null}
ds = pd.read_csv("data.csv")

# Basic statistics
print(ds['salary'].mean())
print(ds['age'].std())
print(ds.describe())

# Group statistics
print(ds.groupby('department')['salary'].mean())
print(ds.groupby('city').agg({'salary': ['mean', 'std'], 'age': 'count'}))
```

***

<div id="manipulation">
  ## Manipulation des données
</div>

| Méthode | Description |
| - | - |
| `drop()` | Supprimer des lignes/colonnes |
| `drop_duplicates()` | Supprimer les doublons |
| `duplicated()` | Marquer les doublons |
| `dropna()` | Supprimer les valeurs manquantes |
| `fillna()` | Remplir les valeurs manquantes |
| `ffill()` | Remplissage en avant |
| `bfill()` | Remplissage en arrière |
| `interpolate()` | Interpoler les valeurs |
| `replace()` | Remplacer les valeurs |
| `rename()` | Renommer les colonnes/l’index |
| `rename_axis()` | Renommer l’axe |
| `assign()` | Ajouter de nouvelles colonnes |
| `astype()` | Convertir les types |
| `convert_dtypes()` | Inférer les types |
| `copy()` | Copier le DataFrame |

**Exemples :**

```python theme={null}
ds = pd.read_csv("data.csv")

# Drop operations
result = ds.drop(columns=['unused_col'])
result = ds.drop_duplicates(subset=['user_id'])
result = ds.dropna(subset=['email'])

# Fill operations
result = ds.fillna(0)
result = ds.fillna({'age': 0, 'name': 'Unknown'})

# Transform operations
result = ds.rename(columns={'old_name': 'new_name'})
result = ds.assign(
    full_name=lambda x: x['first_name'] + ' ' + x['last_name'],
    age_group=lambda x: pd.cut(x['age'], bins=[0, 25, 50, 100])
)
```

***

<div id="sorting">
  ## Tri et classement
</div>

| Méthode | Description |
| - | - |
| `sort_values()` | Tri par valeurs |
| `sort_index()` | Tri par index |
| `nlargest()` | N valeurs les plus élevées |
| `nsmallest()` | N valeurs les plus faibles |

**Exemples :**

```python theme={null}
# Sort by single column
result = ds.sort_values('salary', ascending=False)

# Sort by multiple columns
result = ds.sort_values(['department', 'salary'], ascending=[True, False])

# Get top/bottom N
result = ds.nlargest(10, 'salary')
result = ds.nsmallest(5, 'age')
```

***

<div id="reshaping">
  ## Remise en forme
</div>

| Méthode | Description |
| - | - |
| `pivot()` | Tableau croisé dynamique |
| `pivot_table()` | Pivot avec agrégation |
| `melt()` | Dépivotage |
| `stack()` | Empiler les colonnes en index |
| `unstack()` | Désempiler l’index en colonnes |
| `transpose()` / `T` | Transposition |
| `explode()` | Éclater les listes en lignes |
| `squeeze()` | Réduire les dimensions |
| `droplevel()` | Supprimer un niveau d’index |
| `swaplevel()` | Permuter les niveaux d’index |
| `reorder_levels()` | Réorganiser les niveaux |

**Exemples :**

```python theme={null}
# Pivot table
result = ds.pivot_table(
    values='amount',
    index='region',
    columns='product',
    aggfunc='sum'
)

# Melt (unpivot)
result = ds.melt(
    id_vars=['name'],
    value_vars=['score1', 'score2', 'score3'],
    var_name='test',
    value_name='score'
)

# Explode arrays
result = ds.explode('tags')
```

***

<div id="combining">
  ## Combinaison / jointure
</div>

| Méthode | Description |
| - | - |
| `merge()` | Fusion de type SQL |
| `join()` | Jointure sur un index |
| `concat()` | Concaténation |
| `append()` | Ajout de lignes |
| `combine()` | Combinaison avec une fonction |
| `combine_first()` | Combinaison avec priorité |
| `update()` | Mise à jour des valeurs |
| `compare()` | Afficher les différences |

**Exemples :**

```python theme={null}
# Merge (join)
result = pd.merge(df1, df2, on='id', how='left')
result = df1.join(df2, on='id')

# Concatenate
result = pd.concat([df1, df2, df3])
result = pd.concat([df1, df2], axis=1)
```

***

<div id="binary">
  ## Opérations binaires
</div>

| Méthode | Description |
| - | - |
| `add()` / `radd()` | Addition |
| `sub()` / `rsub()` | Soustraction |
| `mul()` / `rmul()` | Multiplication |
| `div()` / `rdiv()` | Division |
| `truediv()` / `rtruediv()` | Division réelle |
| `floordiv()` / `rfloordiv()` | Division entière |
| `mod()` / `rmod()` | Modulo |
| `pow()` / `rpow()` | Puissance |
| `dot()` | Multiplication matricielle |

**Exemples :**

```python theme={null}
# Arithmetic operations
result = ds['col1'].add(ds['col2'])
result = ds['price'].mul(ds['quantity'])

# With fill_value for missing data
result = ds['col1'].add(ds['col2'], fill_value=0)
```

***

<div id="comparison">
  ## Opérations de comparaison
</div>

| Méthode | Description |
| - | - |
| `eq()` | Égal à |
| `ne()` | Différent de |
| `lt()` | Inférieur à |
| `le()` | Inférieur ou égal à |
| `gt()` | Supérieur à |
| `ge()` | Supérieur ou égal à |
| `equals()` | Teste l’égalité |
| `compare()` | Afficher les différences |

***

<div id="application">
  ## Application de fonctions
</div>

| Méthode | Description |
| - | - |
| `apply()` | Appliquer une fonction |
| `applymap()` | Appliquer à chaque élément |
| `map()` | Associer les valeurs |
| `agg()` / `aggregate()` | Agréger |
| `transform()` | Transformer |
| `pipe()` | Enchaîner les fonctions |
| `groupby()` | Regrouper par |

**Exemples :**

```python theme={null}
# Apply function
result = ds['name'].apply(lambda x: x.upper())
result = ds.apply(lambda row: row['a'] + row['b'], axis=1)

# Aggregate
result = ds.agg({'col1': 'sum', 'col2': 'mean'})
result = ds.agg(['sum', 'mean', 'std'])

# Pipe
result = (ds
    .pipe(filter_active)
    .pipe(calculate_metrics)
    .pipe(format_output)
)
```

***

<div id="timeseries">
  ## Séries temporelles
</div>

| Méthode | Description |
| - | - |
| `rolling()` | Fenêtre glissante |
| `expanding()` | Fenêtre cumulative |
| `ewm()` | Pondération exponentielle |
| `resample()` | Rééchantillonner les séries temporelles |
| `shift()` | Décaler les valeurs |
| `asfreq()` | Convertir la fréquence |
| `asof()` | Dernière valeur à la date donnée |
| `at_time()` | Sélectionner à une heure donnée |
| `between_time()` | Sélectionner l’intervalle de temps |
| `first()` / `last()` | Premières/dernières périodes |
| `to_period()` | Convertir en période |
| `to_timestamp()` | Convertir en timestamp |
| `tz_convert()` | Convertir le fuseau horaire |
| `tz_localize()` | Définir le fuseau horaire |

**Exemples :**

```python theme={null}
# Rolling window
result = ds['value'].rolling(window=7).mean()

# Expanding window
result = ds['value'].expanding().sum()

# Shift
result = ds['value'].shift(1)  # Lag
result = ds['value'].shift(-1)  # Lead
```

***

<div id="missing">
  ## Valeurs manquantes
</div>

| Méthode | Description |
| - | - |
| `isna()` / `isnull()` | Détecter les valeurs manquantes |
| `notna()` / `notnull()` | Détecter les valeurs présentes |
| `dropna()` | Supprimer les valeurs manquantes |
| `fillna()` | Remplir les valeurs manquantes |
| `ffill()` | Remplissage en avant |
| `bfill()` | Remplissage en arrière |
| `interpolate()` | Interpoler |
| `replace()` | Remplacer les valeurs |

***

<div id="io">
  ## Méthodes d’E/S
</div>

| Méthode | Description |
| - | - |
| `to_csv()` | Exporter au format CSV |
| `to_json()` | Exporter au format JSON |
| `to_excel()` | Exporter au format Excel |
| `to_parquet()` | Exporter au format Parquet |
| `to_feather()` | Exporter au format Feather |
| `to_sql()` | Exporter vers une base de données SQL |
| `to_pickle()` | Pickle |
| `to_html()` | Tableau HTML |
| `to_latex()` | Tableau LaTeX |
| `to_markdown()` | Tableau Markdown |
| `to_string()` | Représentation sous forme de chaîne |
| `to_dict()` | Dictionnaire |
| `to_records()` | Enregistrements |
| `to_numpy()` | Tableau NumPy |
| `to_clipboard()` | Presse-papiers |

Voir [Opérations d’E/S](/fr/chdb/datastore/io) pour une documentation détaillée.

***

<div id="iteration">
  ## Itération
</div>

| Méthode | Description |
| - | - |
| `items()` | Itère sur (colonne, Series) |
| `iterrows()` | Itère sur (index, Series) |
| `itertuples()` | Itère sous forme de tuples nommés |

***

<div id="differences">
  ## Principales différences par rapport à Pandas
</div>

<div id="return-types">
  ### 1. Types de retour
</div>

```python theme={null}
# Pandas returns Series
pdf['col']  # → pd.Series

# DataStore returns ColumnExpr (lazy)
ds['col']   # → ColumnExpr
```

<div id="lazy-execution">
  ### 2. Exécution différée
</div>

```python theme={null}
# DataStore operations are lazy
result = ds.filter(ds['age'] > 25)  # Not executed yet
df = result.to_df()  # Executed here
```

<div id="no-inplace-parameter">
  ### 3. Pas de paramètre inplace
</div>

```python theme={null}
# Pandas
df.drop(columns=['col'], inplace=True)

# DataStore (always returns new object)
ds = ds.drop(columns=['col'])
```

<div id="comparing-results">
  ### 4. Comparer les résultats
</div>

```python theme={null}
# Use to_pandas() for comparison
pd.testing.assert_frame_equal(
    ds.to_pandas(),
    expected_df
)
```

Voir [Différences clés](/fr/chdb/guides/pandas-differences) pour plus de détails.