Как выполнять запросы к удаленному серверу ClickHouse

В этом руководстве мы научимся выполнять запросы к удаленному серверу ClickHouse из chDB.

Настройка

Сначала создадим виртуальное окружение:

python -m venv .venv
source .venv/bin/activate

Теперь установим chDB. Убедитесь, что у вас версия 2.0.2 или выше:

pip install "chdb>=2.0.2"

Теперь установим pandas и ipython:

pip install pandas ipython

Мы будем использовать ipython для выполнения команд в оставшейся части руководства, который можно запустить, выполнив:

ipython

Вы также можете использовать код в Python-скрипте или в вашем любимом блокноте.

Введение в ClickPy

Удаленный сервер ClickHouse, к которому мы будем выполнять запросы, это ClickPy. ClickPy отслеживает все загрузки пакетов PyPI и позволяет вам исследовать статистику пакетов через интерфейс. Основная база данных доступна для запросов с использованием пользователя play.

Вы можете узнать больше о ClickPy в его репозитории на GitHub.

Запрос к службе ClickHouse ClickPy

Давайте импортируем chDB:

import chdb

Мы будем выполнять запросы к ClickPy, используя функцию remoteSecure. Эта функция принимает как минимум имя хоста, имя таблицы и имя пользователя.

Мы можем написать следующий запрос для получения количества загрузок в день пакета openai в виде DataFrame Pandas:

query = """
SELECT
    toStartOfDay(date)::Date32 AS x,
    sum(count) AS y
FROM remoteSecure(
  'clickpy-clickhouse.clickhouse.com', 
  'pypi.pypi_downloads_per_day', 
  'play'
)
WHERE project = 'openai'
GROUP BY x
ORDER BY x ASC
"""

openai_df = chdb.query(query, "DataFrame")
openai_df.sort_values(by=["x"], ascending=False).head(n=10)

               x        y
2392  2024-10-02  1793502
2391  2024-10-01  1924901
2390  2024-09-30  1749045
2389  2024-09-29  1177131
2388  2024-09-28  1157323
2387  2024-09-27  1688094
2386  2024-09-26  1862712
2385  2024-09-25  2032923
2384  2024-09-24  1901965
2383  2024-09-23  1777554

Теперь давайте сделаем то же самое, чтобы вернуть количество загрузок для scikit-learn:

query = """
SELECT
    toStartOfDay(date)::Date32 AS x,
    sum(count) AS y
FROM remoteSecure(
  'clickpy-clickhouse.clickhouse.com', 
  'pypi.pypi_downloads_per_day', 
  'play'
)
WHERE project = 'scikit-learn'
GROUP BY x
ORDER BY x ASC
"""

sklearn_df = chdb.query(query, "DataFrame")
sklearn_df.sort_values(by=["x"], ascending=False).head(n=10)

               x        y
2392  2024-10-02  1793502
2391  2024-10-01  1924901
2390  2024-09-30  1749045
2389  2024-09-29  1177131
2388  2024-09-28  1157323
2387  2024-09-27  1688094
2386  2024-09-26  1862712
2385  2024-09-25  2032923
2384  2024-09-24  1901965
2383  2024-09-23  1777554

Объединение DataFrame Pandas

У нас теперь есть два DataFrame, которые мы можем объединить по дате (которая является колонкой x) следующим образом:

df = openai_df.merge(
  sklearn_df, 
  on="x", 
  suffixes=("_openai", "_sklearn")
)
df.head(n=5)

            x  y_openai  y_sklearn
0  2018-02-26        83      33971
1  2018-02-27        31      25211
2  2018-02-28         8      26023
3  2018-03-01         8      20912
4  2018-03-02         5      23842

Затем мы можем вычислить отношение загрузок Open AI к загрузкам scikit-learn следующим образом:

df['ratio'] = df['y_openai'] / df['y_sklearn']
df.head(n=5)

            x  y_openai  y_sklearn     ratio
0  2018-02-26        83      33971  0.002443
1  2018-02-27        31      25211  0.001230
2  2018-02-28         8      26023  0.000307
3  2018-03-01         8      20912  0.000383
4  2018-03-02         5      23842  0.000210

Запрос к DataFrame Pandas

Далее, предположим, что мы хотим найти даты с наилучшими и наихудшими отношениями. Мы можем вернуться к chDB и вычислить эти значения:

chdb.query("""
SELECT max(ratio) AS bestRatio,
       argMax(x, ratio) AS bestDate,
       min(ratio) AS worstRatio,
       argMin(x, ratio) AS worstDate
FROM Python(df)
""", "DataFrame")

   bestRatio    bestDate  worstRatio   worstDate
0   0.693855  2024-09-19    0.000003  2020-02-09

Если вы хотите узнать больше о запросах к DataFrame Pandas, смотрите руководство разработчика по DataFrame Pandas.