> ## 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.

# DataStoreのPandas互換性

> DataStoreにおけるpandas互換メソッドの完全一覧（209のDataFrameメソッド）

DataStoreは、完全なAPI互換性を実現するために**209のpandas DataFrameメソッド**を実装しています。既存のpandasコードも、最小限の変更で動作します。

<div id="approach">
  ## 互換性の考え方
</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()
```

**主な原則:**

* pandas DataFrame の 209 個のメソッドをすべて実装
* SQL 最適化のための遅延評価
* 型の自動ラップ (DataFrame → DataStore、Series → ColumnExpr)
* イミュータブルな操作 (`inplace=True` なし)

***

<div id="attributes">
  ## 属性とプロパティ
</div>

| プロパティ | 説明 | 実行をトリガーするか |
| - | - | - |
| `shape` | (行、カラム) のタプル | はい |
| `columns` | カラム名 (Index) | はい |
| `dtypes` | カラムのデータ型 | はい |
| `values` | NumPy 配列 | はい |
| `index` | 行索引 | はい |
| `size` | 要素数 | はい |
| `ndim` | 次元数 | いいえ |
| `empty` | DataFrame が空かどうか | はい |
| `T` | 転置 | はい |
| `axes` | 軸のリスト | はい |

**例:**

```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">
  ## 索引指定と選択
</div>

| メソッド | 説明 | 例 |
| - | - | - |
| `df['col']` | カラムを選択 | `ds['age']` |
| `df[['col1', 'col2']]` | 複数のカラムを選択 | `ds[['name', 'age']]` |
| `df[condition]` | ブール値索引指定 | `ds[ds['age'] > 25]` |
| `df.loc[...]` | ラベルベースのアクセス | `ds.loc[0:10, 'name']` |
| `df.iloc[...]` | 整数位置ベースのアクセス | `ds.iloc[0:10, 0:3]` |
| `df.at[...]` | ラベルで単一の値を取得 | `ds.at[0, 'name']` |
| `df.iat[...]` | 位置で単一の値を取得 | `ds.iat[0, 0]` |
| `df.head(n)` | 先頭の n 行 | `ds.head(10)` |
| `df.tail(n)` | 末尾の n 行 | `ds.tail(10)` |
| `df.sample(n)` | ランダムサンプル | `ds.sample(100)` |
| `df.select_dtypes()` | Dtype による選択 | `ds.select_dtypes(include='number')` |
| `df.query()` | クエリ式 | `ds.query('age > 25')` |
| `df.where()` | 条件付き置換 | `ds.where(ds['age'] > 0, 0)` |
| `df.mask()` | `where` の逆 | `ds.mask(ds['age'] < 0, 0)` |
| `df.isin()` | 値の包含判定 | `ds['city'].isin(['NYC', 'LA'])` |
| `df.get()` | 安全にカラムへアクセス | `ds.get('col', default=None)` |
| `df.xs()` | クロスセクション | `ds.xs('key')` |
| `df.pop()` | カラムを削除 | `ds.pop('col')` |

***

<div id="statistical">
  ## 統計メソッド
</div>

| Method | 説明 | SQL 相当 |
| - | - | - |
| `mean()` | 平均値 | `AVG()` |
| `median()` | 中央値 | `MEDIAN()` |
| `mode()` | 最頻値 | - |
| `std()` | 標準偏差 | `STDDEV()` |
| `var()` | 分散 | `VAR()` |
| `min()` | 最小値 | `MIN()` |
| `max()` | 最大値 | `MAX()` |
| `sum()` | 合計 | `SUM()` |
| `prod()` | 積 | - |
| `count()` | 非 NULL 値の件数 | `COUNT()` |
| `nunique()` | 一意な値の件数 | `UNIQ()` |
| `value_counts()` | 値の出現頻度 | `GROUP BY` |
| `quantile()` | 分位数 | `QUANTILE()` |
| `describe()` | 要約統計量 | - |
| `corr()` | 相関行列 | `CORR()` |
| `cov()` | 共分散行列 | `COV()` |
| `corrwith()` | ペアごとの相関 | - |
| `rank()` | 順位 | `RANK()` |
| `abs()` | 絶対値 | `ABS()` |
| `round()` | 丸め | `ROUND()` |
| `clip()` | 値の切り詰め | - |
| `cumsum()` | 累積和 | ウィンドウ関数 |
| `cumprod()` | 累積積 | ウィンドウ関数 |
| `cummin()` | 累積最小値 | ウィンドウ関数 |
| `cummax()` | 累積最大値 | ウィンドウ関数 |
| `diff()` | 差分 | ウィンドウ関数 |
| `pct_change()` | 変化率 | ウィンドウ関数 |
| `skew()` | 歪度 | `SKEW()` |
| `kurt()` | 尖度 | `KURT()` |
| `sem()` | 標準誤差 | - |
| `all()` | すべてが true | - |
| `any()` | いずれかが true | - |
| `idxmin()` | 最小値の位置 | - |
| `idxmax()` | 最大値の位置 | - |

**例:**

```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">
  ## データ操作
</div>

| Method | 説明 |
| - | - |
| `drop()` | 行/カラムを削除 |
| `drop_duplicates()` | 重複を削除 |
| `duplicated()` | 重複を示す |
| `dropna()` | 欠損値を削除 |
| `fillna()` | 欠損値を補完 |
| `ffill()` | 前方補完 |
| `bfill()` | 後方補完 |
| `interpolate()` | 値を補間 |
| `replace()` | 値を置換 |
| `rename()` | カラム/索引名を変更 |
| `rename_axis()` | 軸名を変更 |
| `assign()` | 新しいカラムを追加 |
| `astype()` | 型を変換 |
| `convert_dtypes()` | 型を推論 |
| `copy()` | DataFrameをコピー |

**例:**

```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">
  ## ソートと順位付け
</div>

| Method | Description |
| - | - |
| `sort_values()` | 値でソート |
| `sort_index()` | 索引でソート |
| `nlargest()` | 大きい値の上位 N 件 |
| `nsmallest()` | 小さい値の上位 N 件 |

**例:**

```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">
  ## 形状変更
</div>

| Method | Description |
| - | - |
| `pivot()` | ピボットテーブル |
| `pivot_table()` | 集約を伴うピボット |
| `melt()` | アンピボット |
| `stack()` | カラムを索引に積み上げる |
| `unstack()` | 索引をカラムに展開する |
| `transpose()` / `T` | 転置 |
| `explode()` | リストを行に展開する |
| `squeeze()` | 次元を削減する |
| `droplevel()` | 索引レベルを削除する |
| `swaplevel()` | 索引レベルを入れ替える |
| `reorder_levels()` | レベルを並べ替える |

**例:**

```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">
  ## 結合 / JOIN
</div>

| Method | Description |
| - | - |
| `merge()` | SQLスタイルのマージ |
| `join()` | 索引で結合 |
| `concat()` | 連結 |
| `append()` | 行を追加 |
| `combine()` | 関数を使って結合 |
| `combine_first()` | 優先順位に従って結合 |
| `update()` | 値を更新 |
| `compare()` | 差分を表示 |

**例:**

```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">
  ## 二項演算
</div>

| メソッド | 説明 |
| - | - |
| `add()` / `radd()` | 加算 |
| `sub()` / `rsub()` | 減算 |
| `mul()` / `rmul()` | 乗算 |
| `div()` / `rdiv()` | 除算 |
| `truediv()` / `rtruediv()` | 真の除算 |
| `floordiv()` / `rfloordiv()` | 切り捨て除算 |
| `mod()` / `rmod()` | 剰余 |
| `pow()` / `rpow()` | べき乗 |
| `dot()` | 行列積 |

**例:**

```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">
  ## 比較操作
</div>

| メソッド | 説明 |
| - | - |
| `eq()` | 等しい |
| `ne()` | 等しくない |
| `lt()` | 未満 |
| `le()` | 以下 |
| `gt()` | より大きい |
| `ge()` | 以上 |
| `equals()` | 等しいかどうかを判定 |
| `compare()` | 差異を表示 |

***

<div id="application">
  ## 関数の適用
</div>

| メソッド | 説明 |
| - | - |
| `apply()` | 関数を適用 |
| `applymap()` | 要素ごとに適用 |
| `map()` | 値をマッピング |
| `agg()` / `aggregate()` | 集約 |
| `transform()` | 変換 |
| `pipe()` | 関数をパイプ処理 |
| `groupby()` | グループ化 |

**例:**

```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">
  ## 時系列
</div>

| Method | Description |
| - | - |
| `rolling()` | ローリングウィンドウ |
| `expanding()` | 累積ウィンドウ |
| `ewm()` | 指数加重 |
| `resample()` | 時系列をリサンプリング |
| `shift()` | 値をシフト |
| `asfreq()` | 頻度を変換 |
| `asof()` | 指定時点での最新値 |
| `at_time()` | 特定時刻を選択 |
| `between_time()` | 時間帯を選択 |
| `first()` / `last()` | 先頭/末尾の期間 |
| `to_period()` | 期間に変換 |
| `to_timestamp()` | タイムスタンプに変換 |
| `tz_convert()` | タイムゾーンを変換 |
| `tz_localize()` | タイムゾーンを設定 |

**例:**

```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">
  ## 欠損データ
</div>

| メソッド | 説明 |
| - | - |
| `isna()` / `isnull()` | 欠損を検出 |
| `notna()` / `notnull()` | 欠損でない値を検出 |
| `dropna()` | 欠損を削除 |
| `fillna()` | 欠損を補完 |
| `ffill()` | 前方補完 |
| `bfill()` | 後方補完 |
| `interpolate()` | 補間 |
| `replace()` | 値を置換 |

***

<div id="io">
  ## I/O メソッド
</div>

| メソッド | 説明 |
| - | - |
| `to_csv()` | CSV にエクスポート |
| `to_json()` | JSON にエクスポート |
| `to_excel()` | Excel にエクスポート |
| `to_parquet()` | Parquet にエクスポート |
| `to_feather()` | Feather にエクスポート |
| `to_sql()` | SQL データベースにエクスポート |
| `to_pickle()` | Pickle |
| `to_html()` | HTML テーブル |
| `to_latex()` | LaTeX テーブル |
| `to_markdown()` | Markdown テーブル |
| `to_string()` | 文字列表現 |
| `to_dict()` | Dictionary |
| `to_records()` | レコード |
| `to_numpy()` | NumPy 配列 |
| `to_clipboard()` | クリップボード |

詳細は [I/O 操作](/ja/chdb/datastore/io) を参照してください。

***

<div id="iteration">
  ## 反復処理
</div>

| メソッド | 説明 |
| - | - |
| `items()` | (カラム, Series) の組を反復処理 |
| `iterrows()` | (索引, Series) の組を反復処理 |
| `itertuples()` | 名前付きタプルとして反復処理 |

***

<div id="differences">
  ## Pandasとの主な違い
</div>

<div id="return-types">
  ### 1. 戻り値の型
</div>

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

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

<div id="lazy-execution">
  ### 2. 遅延実行
</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. inplace パラメータはない
</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. 結果の比較
</div>

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

詳細については、[主な違い](/ja/chdb/guides/pandas-differences)をご覧ください。