> ## 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. # توافق DataStore مع Pandas > القائمة الكاملة للطرق المتوافقة مع pandas في DataStore (209 من طرق DataFrame) يدعم DataStore **209 من طرق pandas DataFrame** لتوفير توافق كامل مع واجهة برمجة التطبيقات. تعمل شيفرة pandas الحالية لديك بأقل قدر من التغييرات.
## نهج التوافق
```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() ``` **المبادئ الأساسية:** * تم تنفيذ جميع طرائق pandas DataFrame البالغ عددها 209 * التقييم الكسول لتحسين استعلامات SQL * تغليف تلقائي للأنواع (DataFrame → DataStore, Series → ColumnExpr) * عمليات غير قابلة للتعديل (من دون `inplace=True`) ***
## السمات والخصائص
| الخاصية | الوصف | يحفّز التنفيذ | | - | - | - | | `shape` | زوج (صفوف، أعمدة) | نعم | | `columns` | أسماء الأعمدة (Index) | نعم | | `dtypes` | أنواع بيانات الأعمدة | نعم | | `values` | مصفوفة NumPy | نعم | | `index` | فهرس الصفوف | نعم | | `size` | عدد العناصر | نعم | | `ndim` | عدد الأبعاد | لا | | `empty` | ما إذا كان DataFrame فارغًا | نعم | | `T` | منقول | نعم | | `axes` | قائمة المحاور | نعم | **أمثلة:** ```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 ``` ***
## الفهرسة والاختيار
| الطريقة | الوصف | مثال | | - | - | - | | `df['col']` | اختيار عمود | `ds['age']` | | `df[['col1', 'col2']]` | اختيار أعمدة | `ds[['name', 'age']]` | | `df[condition]` | الفهرسة المنطقية | `ds[ds['age'] > 25]` | | `df.loc[...]` | وصول يعتمد على التسميات | `ds.loc[0:10, 'name']` | | `df.iloc[...]` | وصول يعتمد على الأعداد الصحيحة | `ds.iloc[0:10, 0:3]` | | `df.at[...]` | قيمة واحدة حسب التسمية | `ds.at[0, 'name']` | | `df.iat[...]` | قيمة واحدة حسب الموضع | `ds.iat[0, 0]` | | `df.head(n)` | أول n صفوف | `ds.head(10)` | | `df.tail(n)` | آخر n صفوف | `ds.tail(10)` | | `df.sample(n)` | عينة عشوائية | `ds.sample(100)` | | `df.select_dtypes()` | اختيار حسب نوع البيانات | `ds.select_dtypes(include='number')` | | `df.query()` | تعبير استعلام | `ds.query('age > 25')` | | `df.where()` | استبدال شرطي | `ds.where(ds['age'] > 0, 0)` | | `df.mask()` | عكس where | `ds.mask(ds['age'] < 0, 0)` | | `df.isin()` | احتواء القيمة | `ds['city'].isin(['NYC', 'LA'])` | | `df.get()` | وصول آمن إلى عمود | `ds.get('col', default=None)` | | `df.xs()` | مقطع عرضي | `ds.xs('key')` | | `df.pop()` | إزالة عمود | `ds.pop('col')` | ***
## الطرق الإحصائية
| الطريقة | الوصف | المكافئ في SQL | | - | - | - | | `mean()` | المتوسط | `AVG()` | | `median()` | القيمة الوسيطة | `MEDIAN()` | | `mode()` | المنوال | - | | `std()` | الانحراف المعياري | `STDDEV()` | | `var()` | التباين | `VAR()` | | `min()` | الحد الأدنى | `MIN()` | | `max()` | الحد الأقصى | `MAX()` | | `sum()` | المجموع | `SUM()` | | `prod()` | حاصل الضرب | - | | `count()` | عدد القيم غير NULL | `COUNT()` | | `nunique()` | عدد القيم الفريدة | `UNIQ()` | | `value_counts()` | تكرارات القيم | `GROUP BY` | | `quantile()` | الكَمّ | `QUANTILE()` | | `describe()` | إحصاءات وصفية | - | | `corr()` | مصفوفة الارتباط | `CORR()` | | `cov()` | مصفوفة التغاير | `COV()` | | `corrwith()` | الارتباط الزوجي | - | | `rank()` | ترتيب القيم | `RANK()` | | `abs()` | القيم المطلقة | `ABS()` | | `round()` | تقريب القيم | `ROUND()` | | `clip()` | قصّ القيم | - | | `cumsum()` | المجموع التراكمي | دالة نافذة | | `cumprod()` | حاصل الضرب التراكمي | دالة نافذة | | `cummin()` | الحد الأدنى التراكمي | دالة نافذة | | `cummax()` | الحد الأقصى التراكمي | دالة نافذة | | `diff()` | الفرق | دالة نافذة | | `pct_change()` | نسبة التغيّر | دالة نافذة | | `skew()` | معامل الالتواء | `SKEW()` | | `kurt()` | التفلطح | `KURT()` | | `sem()` | الخطأ المعياري | - | | `all()` | كلها صحيحة | - | | `any()` | أيٌّ منها صحيح | - | | `idxmin()` | فهرس القيمة الدنيا | - | | `idxmax()` | فهرس القيمة العليا | - | **أمثلة:** ```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'})) ``` ***
## معالجة البيانات
| طريقة | Description | | - | - | | `drop()` | حذف الصفوف/الأعمدة | | `drop_duplicates()` | إزالة القيم المكررة | | `duplicated()` | تمييز القيم المكررة | | `dropna()` | إزالة القيم المفقودة | | `fillna()` | ملء القيم المفقودة | | `ffill()` | الملء للأمام | | `bfill()` | الملء للخلف | | `interpolate()` | استيفاء القيم | | `replace()` | استبدال القيم | | `rename()` | إعادة تسمية الأعمدة/الفهرس | | `rename_axis()` | إعادة تسمية المحور | | `assign()` | إضافة أعمدة جديدة | | `astype()` | تحويل الأنواع | | `convert_dtypes()` | استنتاج الأنواع | | `copy()` | نسخ DataFrame | **أمثلة:** ```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]) ) ``` ***
## الفرز والترتيب
| الطريقة | الوصف | | - | - | | `sort_values()` | فرز حسب القيم | | `sort_index()` | فرز حسب الفهرس | | `nlargest()` | أكبر N من القيم | | `nsmallest()` | أصغر N من القيم | **أمثلة:** ```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') ``` ***
## إعادة التشكيل
| الطريقة | الوصف | | - | - | | `pivot()` | جدول محوري | | `pivot_table()` | جدول محوري مع التجميع | | `melt()` | إلغاء التمحور | | `stack()` | تكديس الأعمدة في الفهرس | | `unstack()` | فك تكديس الفهرس إلى أعمدة | | `transpose()` / `T` | منقول | | `explode()` | تفكيك القوائم إلى صفوف | | `squeeze()` | تقليل الأبعاد | | `droplevel()` | حذف مستوى من الفهرس | | `swaplevel()` | تبديل مستويات الفهرس | | `reorder_levels()` | إعادة ترتيب المستويات | **أمثلة:** ```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') ``` ***
## الدمج / الربط
| الطريقة | الوصف | | - | - | | `merge()` | دمج بأسلوب SQL | | `join()` | ربط باستخدام الفهرس | | `concat()` | ربط متسلسل | | `append()` | إلحاق صفوف | | `combine()` | دمج باستخدام دالة | | `combine_first()` | دمج حسب الأولوية | | `update()` | تحديث القيم | | `compare()` | إظهار الاختلافات | **أمثلة:** ```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) ``` ***
## العمليات الثنائية
| الطريقة | الوصف | | - | - | | `add()` / `radd()` | الجمع | | `sub()` / `rsub()` | الطرح | | `mul()` / `rmul()` | الضرب | | `div()` / `rdiv()` | القسمة | | `truediv()` / `rtruediv()` | القسمة الحقيقية | | `floordiv()` / `rfloordiv()` | القسمة الصحيحة | | `mod()` / `rmod()` | باقي القسمة | | `pow()` / `rpow()` | الأس | | `dot()` | ضرب المصفوفات | **أمثلة:** ```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) ``` ***
## عمليات المقارنة
| الطريقة | الوصف | | - | - | | `eq()` | يساوي | | `ne()` | لا يساوي | | `lt()` | أقل من | | `le()` | أقل من أو يساوي | | `gt()` | أكبر من | | `ge()` | أكبر من أو يساوي | | `equals()` | اختبار المساواة | | `compare()` | إظهار الاختلافات | ***
## تطبيق الدوال
| الطريقة | الوصف | | - | - | | `apply()` | تطبيق دالة | | `applymap()` | تطبيق على مستوى كل عنصر | | `map()` | تعيين القيم | | `agg()` / `aggregate()` | التجميع | | `transform()` | التحويل | | `pipe()` | تمرير الدوال | | `groupby()` | التجميع حسب | **أمثلة:** ```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) ) ``` ***
## السلاسل الزمنية
| الطريقة | الوصف | | - | - | | `rolling()` | نافذة متحركة | | `expanding()` | نافذة متزايدة | | `ewm()` | موزون أسيًا | | `resample()` | إعادة أخذ عينات من السلاسل الزمنية | | `shift()` | إزاحة القيم | | `asfreq()` | تحويل التردد | | `asof()` | أحدث قيمة حتى ذلك الوقت | | `at_time()` | التحديد عند وقت | | `between_time()` | تحديد النطاق الزمني | | `first()` / `last()` | الفترات الأولى/الأخيرة | | `to_period()` | تحويل إلى فترة | | `to_timestamp()` | تحويل إلى طابع زمني | | `tz_convert()` | تحويل المنطقة الزمنية | | `tz_localize()` | تعيين المنطقة الزمنية | **أمثلة:** ```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 ``` ***
## البيانات المفقودة
| الطريقة | الوصف | | - | - | | `isna()` / `isnull()` | اكتشاف القيم المفقودة | | `notna()` / `notnull()` | اكتشاف القيم غير المفقودة | | `dropna()` | حذف القيم المفقودة | | `fillna()` | ملء القيم المفقودة | | `ffill()` | الملء الأمامي | | `bfill()` | الملء الخلفي | | `interpolate()` | الاستيفاء | | `replace()` | استبدال القيم | ***
## طرق الإدخال/الإخراج
| الطريقة | الوصف | | - | - | | `to_csv()` | تصدير إلى CSV | | `to_json()` | تصدير إلى JSON | | `to_excel()` | تصدير إلى Excel | | `to_parquet()` | تصدير إلى Parquet | | `to_feather()` | تصدير إلى Feather | | `to_sql()` | تصدير إلى قاعدة بيانات SQL | | `to_pickle()` | Pickle | | `to_html()` | جدول HTML | | `to_latex()` | جدول LaTeX | | `to_markdown()` | جدول Markdown | | `to_string()` | تمثيل نصي | | `to_dict()` | قاموس | | `to_records()` | سجلات | | `to_numpy()` | مصفوفة NumPy | | `to_clipboard()` | الحافظة | راجع [عمليات الإدخال/الإخراج](/ar/chdb/datastore/io) للاطلاع على الوثائق التفصيلية. ***
## التكرار
| طريقة | الوصف | | - | - | | `items()` | التكرار عبر (عمود، Series) | | `iterrows()` | التكرار عبر (فهرس، Series) | | `itertuples()` | التكرار على شكل named tuples | ***
## أبرز الاختلافات عن Pandas
### 1. أنواع القيم المُعادة
```python theme={null} # Pandas returns Series pdf['col'] # → pd.Series # DataStore returns ColumnExpr (lazy) ds['col'] # → ColumnExpr ```
### 2. التنفيذ المؤجل
```python theme={null} # DataStore operations are lazy result = ds.filter(ds['age'] > 25) # Not executed yet df = result.to_df() # Executed here ```
### 3. عدم وجود معامل inplace
```python theme={null} # Pandas df.drop(columns=['col'], inplace=True) # DataStore (always returns new object) ds = ds.drop(columns=['col']) ```
### 4. مقارنة النتائج
```python theme={null} # Use to_pandas() for comparison pd.testing.assert_frame_equal( ds.to_pandas(), expected_df ) ``` راجع [الاختلافات الرئيسية](/ar/chdb/guides/pandas-differences) للاطلاع على التفاصيل الكاملة.