Перейти к основному содержимому
Перейти к основному содержимому

Профилирование DataStore

Профилировщик DataStore позволяет измерять время выполнения и выявлять узкие места в производительности.

Быстрый старт​

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

# Enable profiling
config.enable_profiling()

# Run your operations
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()
)

# View report
profiler = get_profiler()
print(profiler.report())

Включение профилирования​

from chdb.datastore.config import config

# Enable profiling
config.enable_profiling()

# Disable profiling
config.disable_profiling()

# Check if profiling is enabled
print(config.profiling_enabled)  # True or False

API профилировщика​

Получение экземпляра профайлера​

from chdb.datastore.config import get_profiler

profiler = get_profiler()

report()​

Выводит отчет о производительности.

profiler.report(min_duration_ms=0.1)

Параметры:

ПараметрТипПо умолчаниюОписание
min_duration_msfloat0.1Показывать только шаги с длительностью ≥ 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 во времени родительской операции / общего времени
  • Иерархическое вложение операций
  • Метаданные для каждого шага (например, ops_count, ops)

step()​

Измеряет время выполнения блока кода вручную.

with profiler.step("custom_operation"):
    # Your code here
    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

Разбор отчёта​

Названия шагов​

Название шагаОписание
Total ExecutionОбщее время выполнения
Query PlanningВремя, затраченное на планирование запроса
SQL Segment NВыполнение SQL-сегмента N
SQL ExecutionФактическое выполнение SQL-запроса
Result to DataFrameПреобразование результатов в DataFrame pandas
Cache CheckПроверка кэша запросов
Cache WriteЗапись результатов в кэш

Длительность​

  • Этапы планирования (Query Planning): обычно выполняются быстро
  • Этапы выполнения (SQL Execution): здесь выполняется основная работа
  • Этапы передачи (Result to DataFrame): преобразование данных в pandas

Определение 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    <- Main bottleneck
       5.00ms (  2.6%) Result to DataFrame
----------------------------------------------------------------------
      TOTAL:   200.50ms
======================================================================

Паттерны профилирования​

Профилирование одного запроса​

config.enable_profiling()
profiler = get_profiler()
profiler.clear()  # Clear previous data

# Run query
result = ds.filter(...).groupby(...).agg(...).to_df()

# View this query's profile
print(profiler.report())

Профилирование нескольких запросов​

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

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

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

print(profiler.report())

Сравнение подходов​

profiler = get_profiler()

# Approach 1: Filter then groupby
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)

# Approach 2: Groupby then filter
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 узким местом является выполнение SQL-запросов:

  • Добавьте дополнительные фильтры, чтобы сократить объём данных
  • Используйте Parquet вместо CSV
  • Проверьте наличие подходящих индексов (для источников данных в БД)

2. Проверьте время операций ввода-вывода​

Если read_csv или read_parquet — узкое место:

  • Используйте Parquet (столбцовый, сжатый формат)
  • Читайте только необходимые столбцы
  • Фильтруйте данные на стороне источника, если возможно

3. Проверка передачи данных​

Если to_df работает медленно:

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

4. Сравните движки​

from chdb.datastore.config import config

# Profile with chdb
config.use_chdb()
profiler.clear()
result_chdb = query.to_df()
time_chdb = profiler.total_duration_ms

# Profile with 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")

Лучшие практики​

1. Проводите профилирование перед оптимизацией​

# Don't guess - measure!
config.enable_profiling()
result = your_query.to_df()
print(get_profiler().report())

2. Очищайте хранилище между тестами​

profiler.clear()  # Clear previous data
# Run test
print(profiler.report())

3. Используйте min_duration_ms для фокусировки профилирования​

# Only show operations >= 100ms
profiler.report(min_duration_ms=100)

4. Профилирование представительных данных​

# Profile with real-world data sizes
# Small test data may not show real bottlenecks

5. Отключите в продакшене​

# Development
config.enable_profiling()

# Production
config.set_profiling_enabled(False)  # Avoid overhead

Пример: полноценная сессия профилирования​

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

# Setup
config.enable_profiling()
config.enable_debug()  # Also see what's happening
profiler = get_profiler()

# Load data
profiler.clear()
print("=== Loading Data ===")
ds = pd.read_csv("sales_2024.csv")  # 10M rows
print(profiler.report())

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

# Query 2: Complex aggregation
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())

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