> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-fix-nav-issues.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # 実行エンジンの設定 > DataStore の実行エンジン（auto、chdb、pandas）を設定する DataStore は、異なるバックエンドを使用して操作を実行できます。このガイドでは、実行エンジンの選択を設定し、最適化する方法を説明します。
## 利用可能なエンジン
| エンジン | 説明 | 最適な用途 | | -------- | ---------------------------- | ------------------- | | `auto` | 操作ごとに最適なエンジンを自動的に選択 | 一般用途 (デフォルト) | | `chdb` | すべての操作を ClickHouse SQL 経由で実行 | 大規模データセット、集計 | | `pandas` | すべての操作を pandas 経由で実行 | 互換性テスト、pandas 固有の機能 |
## エンジンの設定
### グローバル設定
```python theme={null} from chdb.datastore.config import config # オプション1: setメソッドを使用する config.set_execution_engine('auto') # デフォルト config.set_execution_engine('chdb') # ClickHouseを強制 config.set_execution_engine('pandas') # pandasを強制 # オプション2: ショートカットを使用する config.use_auto() # 自動選択 config.use_chdb() # ClickHouseを強制 config.use_pandas() # pandasを強制 ```
### 現在のエンジンを確認する
```python theme={null} print(config.execution_engine) # 'auto'、'chdb'、または 'pandas' ``` ***
## 自動モード
`auto` モード (デフォルト) では、DataStore は各操作に最適なエンジンを選択します。
### chDB で実行される操作
* SQL 互換のフィルタリング (`filter()`, `where()`) * カラムの選択 (`select()`) * ソート (`sort()`, `orderby()`) * グループ化と集約 (`groupby().agg()`) * 結合 (`join()`, `merge()`) * 重複除去 (`distinct()`, `drop_duplicates()`) * 件数制限 (`limit()`, `head()`, `tail()`)
### pandas で実行される処理
* カスタムの `apply` 関数 (`apply(custom_func)`) * カスタム集計を行う複雑なピボットテーブル * SQL では表現できない処理 * 入力がすでに pandas の DataFrame である場合
### 例
```python theme={null} from chdb import datastore as pd from chdb.datastore.config import config config.use_auto() # デフォルト ds = pd.read_csv("data.csv") # chDB (SQL) を使用 result = (ds .filter(ds['amount'] > 100) # SQL: WHERE .groupby('region') # SQL: GROUP BY .agg({'amount': 'sum'}) # SQL: SUM() ) # pandas を使用（カスタム関数） result = ds.apply(lambda row: complex_calculation(row), axis=1) ``` ***
## chDB Mode
すべての操作を ClickHouse SQL 経由で行うよう強制します。 ```python theme={null} config.use_chdb() ```
### 使用するケース
* 大規模なデータセット (数百万行) の処理 * 負荷の高い集計ワークロード * SQL の最適化を最大限に活用したい場合 * すべての操作で一貫した動作が求められる場合
### パフォーマンス特性
| 操作の種類 | パフォーマンス | | ---------- | ------------------ | | GroupBy/集約 | 非常に高い (最大20倍高速) | | 複雑なフィルタリング | 非常に高い | | ソート | とても高い | | 単純な単一フィルタ | 高い (わずかなオーバーヘッドあり) |
### 制限事項
* カスタム Python 関数はサポートされないことがあります * pandas 固有の一部機能では変換が必要です ***
## pandas モード
すべての操作を pandas 経由で実行します。 ```python theme={null} config.use_pandas() ```
### 使用する場面
* pandas との互換性をテストする場合 * pandas 固有の機能を使う場合 * pandas 関連の問題をデバッグする場合 * データがすでに pandas 形式になっている場合
### パフォーマンス特性
| 操作の種類 | パフォーマンス | | --------- | ---------- | | 単純な単一操作 | 良好 | | カスタム関数 | 非常に優秀 | | 複雑な集計 | chDB より低速 | | 大規模データセット | メモリ使用量が大きい | ***
## Cross-DataStore エンジン
異なるDataStoreのカラムを組み合わせる操作用に、エンジンを設定します： ```python theme={null} # クロスDataStoreエンジンを設定する config.set_cross_datastore_engine('auto') config.set_cross_datastore_engine('chdb') config.set_cross_datastore_engine('pandas') ```
### 例
```python theme={null} ds1 = pd.read_csv("sales.csv") ds2 = pd.read_csv("inventory.csv") # この操作は2つのDataStoreを対象とします result = ds1.join(ds2, on='product_id') # cross_datastore_engine設定を使用します ``` ***
## エンジンの選択ロジック
### 自動モードの決定木
```text theme={null} 操作のリクエスト │ ├─ SQLで表現できるか？ │ │ │ ├─ はい → chDBを使用 │ │ │ └─ いいえ → pandasを使用 │ └─ DataStore間の操作か？ │ └─ cross_datastore_engine設定を使用 ```
### 関数レベルのオーバーライド
一部の関数では、エンジン を明示的に指定できます。 ```python theme={null} from chdb.datastore.config import function_config # 特定の関数に特定のエンジンを強制的に使用させる function_config.use_chdb('length', 'substring') function_config.use_pandas('upper', 'lower') ``` [Function Config](/ja/products/chdb/configuration/function-config) を参照してください。 ***
## 性能比較
1,000万行に対するベンチマーク結果: | 操作 | pandas (ms) | chdb (ms) | 高速化率 | | ---------------- | ----------- | --------- | ------ | | GroupBy カウント | 347 | 17 | 19.93x | | 複合操作 | 1,535 | 234 | 6.56x | | 複雑なパイプライン | 2,047 | 380 | 5.39x | | Filter+Sort+Head | 1,537 | 350 | 4.40x | | GroupBy 集計 | 406 | 141 | 2.88x | | 単一フィルター | 276 | 526 | 0.52x | **主なポイント:** * chDB は集計や複雑なパイプラインで特に高い性能を発揮します * シンプルな単一操作では pandas のほうがやや高速です * 両方の利点を活かすには `auto` モードを使用してください ***
## ベストプラクティス
### 1. まずは 自動モード を使う
```python theme={null} config.use_auto() # DataStore に判断させる ```
### 2. 強制する前にプロファイリングを行う
```python theme={null} config.enable_profiling() # ワークロードを実行する # プロファイラーレポートで時間がどこに費やされているかを確認する ```
### 3. 特定のワークロードに エンジン を強制適用する
```python theme={null} # 重い集計ワークロード向け config.use_chdb() # Pandas互換性テスト向け config.use_pandas() ```
### 4. explain() を使って実行内容を把握する
```python theme={null} ds = pd.read_csv("data.csv") query = ds.filter(ds['age'] > 25).groupby('city').agg({'salary': 'sum'}) # 生成されるSQLを確認する query.explain() ``` ***
## トラブルシューティング
### 問題: 動作が予想より遅い
```python theme={null} # 現在のエンジンを確認する print(config.execution_engine) # デバッグを有効にして状況を確認する config.enable_debug() # 特定のエンジンを強制的に使用してみる config.use_chdb() # または config.use_pandas() ```
### 問題: chdbモードではサポートされていない操作
```python theme={null} # 一部のpandasオペレーションはSQLでサポートされていません # 解決策: autoモードを使用する config.use_auto() # または、最初に明示的にpandasに変換する df = ds.to_df() result = df.some_pandas_specific_operation() ```
### 問題: 大量データによるメモリ問題
```python theme={null} # すべてのデータをメモリに読み込まないようにchdbエンジンを使用する config.use_chdb() # 早い段階でフィルタリングしてデータサイズを削減する result = ds.filter(ds['date'] >= '2024-01-01').to_df() # 大規模なデータセットで最大スループットを得るには、パフォーマンスモードを使用する # パフォーマンスモードでは並列Parquet読み取りとシングルSQL集計が有効になる config.use_performance_mode() ``` **パフォーマンスモード** 大規模な集計ワークロードを実行していて、pandas 出力との厳密な互換性 (行の順序、MultiIndex、dtype の補正) が不要な場合は、[パフォーマンスモード](/ja/products/chdb/configuration/performance-mode)の使用を検討してください。これにより、エンジン は自動的に `chdb` に設定され、pandas 互換性に伴うオーバーヘッドがすべて排除されます。