高度なチュートリアル - ClickHouse Documentation

概要

ニューヨーク市のタクシーのサンプルデータセットを使って、ClickHouseでデータを取り込み、クエリを実行する方法を学びます。

前提条件

このチュートリアルを完了するには、稼働中の ClickHouse サービスにアクセスできる必要があります。手順については、クイックスタートガイドを参照してください。

新しいテーブルを作成する

New York City のタクシーデータセットには、チップ額、通行料、支払い種別などのカラムを含む、数百万件のタクシー乗車データの詳細が含まれています。このデータを保存するテーブルを作成します。

SQL コンソールに接続します。
- ClickHouse Cloud の場合は、ドロップダウンメニューからサービスを選択し、左側のナビゲーションメニューで SQL Console を選択します。
- セルフマネージド ClickHouse の場合は、https://_hostname_:8443/play にある SQL コンソールに接続します。詳細は ClickHouse 管理者に確認してください。

default データベースに次の trips テーブルを作成します。

CREATE TABLE trips
(
    `trip_id` UInt32,
    `vendor_id` Enum8('1' = 1, '2' = 2, '3' = 3, '4' = 4, 'CMT' = 5, 'VTS' = 6, 'DDS' = 7, 'B02512' = 10, 'B02598' = 11, 'B02617' = 12, 'B02682' = 13, 'B02764' = 14, '' = 15),
    `pickup_date` Date,
    `pickup_datetime` DateTime,
    `dropoff_date` Date,
    `dropoff_datetime` DateTime,
    `store_and_fwd_flag` UInt8,
    `rate_code_id` UInt8,
    `pickup_longitude` Float64,
    `pickup_latitude` Float64,
    `dropoff_longitude` Float64,
    `dropoff_latitude` Float64,
    `passenger_count` UInt8,
    `trip_distance` Float64,
    `fare_amount` Float32,
    `extra` Float32,
    `mta_tax` Float32,
    `tip_amount` Float32,
    `tolls_amount` Float32,
    `ehail_fee` Float32,
    `improvement_surcharge` Float32,
    `total_amount` Float32,
    `payment_type` Enum8('UNK' = 0, 'CSH' = 1, 'CRE' = 2, 'NOC' = 3, 'DIS' = 4),
    `trip_type` UInt8,
    `pickup` FixedString(25),
    `dropoff` FixedString(25),
    `cab_type` Enum8('yellow' = 1, 'green' = 2, 'uber' = 3),
    `pickup_nyct2010_gid` Int8,
    `pickup_ctlabel` Float32,
    `pickup_borocode` Int8,
    `pickup_ct2010` String,
    `pickup_boroct2010` String,
    `pickup_cdeligibil` String,
    `pickup_ntacode` FixedString(4),
    `pickup_ntaname` String,
    `pickup_puma` UInt16,
    `dropoff_nyct2010_gid` UInt8,
    `dropoff_ctlabel` Float32,
    `dropoff_borocode` UInt8,
    `dropoff_ct2010` String,
    `dropoff_boroct2010` String,
    `dropoff_cdeligibil` String,
    `dropoff_ntacode` FixedString(4),
    `dropoff_ntaname` String,
    `dropoff_puma` UInt16
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(pickup_date)
ORDER BY pickup_datetime;

データセットを追加する

テーブルを作成したら、次は S3 内の CSVファイルからニューヨーク市のタクシーデータを追加します。

次のコマンドは、S3 上の 2 つの異なるファイル trips_1.tsv.gz と trips_2.tsv.gz から、約 2,000,000 行を trips テーブルに insert します。

INSERT INTO trips
SELECT * FROM s3(
    'https://datasets-documentation.s3.eu-west-3.amazonaws.com/nyc-taxi/trips_{1..2}.gz',
    'TabSeparatedWithNames', "
    `trip_id` UInt32,
    `vendor_id` Enum8('1' = 1, '2' = 2, '3' = 3, '4' = 4, 'CMT' = 5, 'VTS' = 6, 'DDS' = 7, 'B02512' = 10, 'B02598' = 11, 'B02617' = 12, 'B02682' = 13, 'B02764' = 14, '' = 15),
    `pickup_date` Date,
    `pickup_datetime` DateTime,
    `dropoff_date` Date,
    `dropoff_datetime` DateTime,
    `store_and_fwd_flag` UInt8,
    `rate_code_id` UInt8,
    `pickup_longitude` Float64,
    `pickup_latitude` Float64,
    `dropoff_longitude` Float64,
    `dropoff_latitude` Float64,
    `passenger_count` UInt8,
    `trip_distance` Float64,
    `fare_amount` Float32,
    `extra` Float32,
    `mta_tax` Float32,
    `tip_amount` Float32,
    `tolls_amount` Float32,
    `ehail_fee` Float32,
    `improvement_surcharge` Float32,
    `total_amount` Float32,
    `payment_type` Enum8('UNK' = 0, 'CSH' = 1, 'CRE' = 2, 'NOC' = 3, 'DIS' = 4),
    `trip_type` UInt8,
    `pickup` FixedString(25),
    `dropoff` FixedString(25),
    `cab_type` Enum8('yellow' = 1, 'green' = 2, 'uber' = 3),
    `pickup_nyct2010_gid` Int8,
    `pickup_ctlabel` Float32,
    `pickup_borocode` Int8,
    `pickup_ct2010` String,
    `pickup_boroct2010` String,
    `pickup_cdeligibil` String,
    `pickup_ntacode` FixedString(4),
    `pickup_ntaname` String,
    `pickup_puma` UInt16,
    `dropoff_nyct2010_gid` UInt8,
    `dropoff_ctlabel` Float32,
    `dropoff_borocode` UInt8,
    `dropoff_ct2010` String,
    `dropoff_boroct2010` String,
    `dropoff_cdeligibil` String,
    `dropoff_ntacode` FixedString(4),
    `dropoff_ntaname` String,
    `dropoff_puma` UInt16
") SETTINGS input_format_try_infer_datetimes = 0

INSERT が完了するまで待ちます。150 MB のデータのダウンロードに少し時間がかかる場合があります。
insert が完了したら、正しく実行されたことを確認します。
SELECT count() FROM trips
このクエリは 1,999,657 行を返すはずです。

データを分析する

データを分析するクエリを実行してみましょう。以下の例を参考にするか、独自のSQLクエリを試してください。

平均チップ額を計算します:

SELECT round(avg(tip_amount), 2) FROM trips

想定される出力

┌─round(avg(tip_amount), 2)─┐
│                      1.68 │
└───────────────────────────┘

乗客数に基づく平均コストを計算します：

SELECT
    passenger_count,
    ceil(avg(total_amount),2) AS average_total_amount
FROM trips
GROUP BY passenger_count

期待される出力

passenger_count は 0 から 9 の範囲です。

┌─passenger_count─┬─average_total_amount─┐
│               0 │                22.69 │
│               1 │                15.97 │
│               2 │                17.15 │
│               3 │                16.76 │
│               4 │                17.33 │
│               5 │                16.35 │
│               6 │                16.04 │
│               7 │                 59.8 │
│               8 │                36.41 │
│               9 │                 9.81 │
└─────────────────┴──────────────────────┘

地区ごとの1日あたりの乗車数を計算します。

SELECT
    pickup_date,
    pickup_ntaname,
    SUM(1) AS number_of_trips
FROM trips
GROUP BY pickup_date, pickup_ntaname
ORDER BY pickup_date ASC

出力例

┌─pickup_date─┬─pickup_ntaname───────────────────────────────────────────┬─number_of_trips─┐
│  2015-07-01 │ Brooklyn Heights-Cobble Hill                             │              13 │
│  2015-07-01 │ Old Astoria                                              │               5 │
│  2015-07-01 │ Flushing                                                 │               1 │
│  2015-07-01 │ Yorkville                                                │             378 │
│  2015-07-01 │ Gramercy                                                 │             344 │
│  2015-07-01 │ Fordham South                                            │               2 │
│  2015-07-01 │ SoHo-TriBeCa-Civic Center-Little Italy                   │             621 │
│  2015-07-01 │ Park Slope-Gowanus                                       │              29 │
│  2015-07-01 │ Bushwick South                                           │               5 │

各移動の所要時間を分単位で計算し、移動時間ごとに結果をグループ化します。

SELECT
    avg(tip_amount) AS avg_tip,
    avg(fare_amount) AS avg_fare,
    avg(passenger_count) AS avg_passenger,
    count() AS count,
    truncate(date_diff('second', pickup_datetime, dropoff_datetime)/60) as trip_minutes
FROM trips
WHERE trip_minutes > 0
GROUP BY trip_minutes
ORDER BY trip_minutes DESC

想定される出力

┌──────────────avg_tip─┬───────────avg_fare─┬──────avg_passenger─┬──count─┬─trip_minutes─┐
│   1.9600000381469727 │                  8 │                  1 │      1 │        27511 │
│                    0 │                 12 │                  2 │      1 │        27500 │
│    0.542166673981895 │ 19.716666666666665 │ 1.9166666666666667 │     60 │         1439 │
│    0.902499997522682 │ 11.270625001192093 │            1.95625 │    160 │         1438 │
│   0.9715789457909146 │ 13.646616541353383 │ 2.0526315789473686 │    133 │         1437 │
│   0.9682692398245518 │ 14.134615384615385 │  2.076923076923077 │    104 │         1436 │
│   1.1022105210705808 │ 13.778947368421052 │  2.042105263157895 │     95 │         1435 │

各地区のピックアップ件数を、1日の各時間帯別に表示します:

SELECT
    pickup_ntaname,
    toHour(pickup_datetime) as pickup_hour,
    SUM(1) AS pickups
FROM trips
WHERE pickup_ntaname != ''
GROUP BY pickup_ntaname, pickup_hour
ORDER BY pickup_ntaname, pickup_hour

期待される出力

│ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ Airport │ │ │ │ │ │ │ │ │ │ Arden Heights

┌─pickup_ntaname───────────────────────────────────────────┬─pickup_hour─┬─pickups─┐ │           0 │    3509 │ │           1 │    1184 │ │           2 │     401 │ │           3 │     152 │ │           4 │     213 │ │           5 │     955 │ │           6 │    2161 │ │           7 │    3013 │ │           8 │    3601 │ │           9 │    3792 │ │          10 │    4546 │ │          11 │    4659 │ │          12 │    4621 │ │          13 │    5348 │ │          14 │    5889 │ │          15 │    6505 │ │          16 │    6119 │ │          17 │    6341 │ │          18 │    6173 │ │          19 │    6329 │ │          20 │    6271 │ │          21 │    6649 │ │          22 │    6356 │ │          23 │    6016 │ Allerton-Pelham Gardens                                  │           4 │       1 │ Allerton-Pelham Gardens                                  │           6 │       1 │ Allerton-Pelham Gardens                                  │           7 │       1 │ Allerton-Pelham Gardens                                  │           9 │       5 │ Allerton-Pelham Gardens                                  │          10 │       3 │ Allerton-Pelham Gardens                                  │          15 │       1 │ Allerton-Pelham Gardens                                  │          20 │       2 │ Allerton-Pelham Gardens                                  │          23 │       1 │ Annadale-Huguenot-Prince's Bay-Eltingville               │          23 │       1 │ │          11 │       1 │ an>

ラガーディア空港またはJFK空港行きの乗車データを取得します:

SELECT
    pickup_datetime,
    dropoff_datetime,
    total_amount,
    pickup_nyct2010_gid,
    dropoff_nyct2010_gid,
    CASE
        WHEN dropoff_nyct2010_gid = 138 THEN 'LGA'
        WHEN dropoff_nyct2010_gid = 132 THEN 'JFK'
    END AS airport_code,
    EXTRACT(YEAR FROM pickup_datetime) AS year,
    EXTRACT(DAY FROM pickup_datetime) AS day,
    EXTRACT(HOUR FROM pickup_datetime) AS hour
FROM trips
WHERE dropoff_nyct2010_gid IN (132, 138)
ORDER BY pickup_datetime

想定される出力

┌─────pickup_datetime─┬────dropoff_datetime─┬─total_amount─┬─pickup_nyct2010_gid─┬─dropoff_nyct2010_gid─┬─airport_code─┬─year─┬─day─┬─hour─┐
│ 2015-07-01 00:04:14 │ 2015-07-01 00:15:29 │         13.3 │                 -34 │                  132 │ JFK          │ 2015 │   1 │    0 │
│ 2015-07-01 00:09:42 │ 2015-07-01 00:12:55 │          6.8 │                  50 │                  138 │ LGA          │ 2015 │   1 │    0 │
│ 2015-07-01 00:23:04 │ 2015-07-01 00:24:39 │          4.8 │                -125 │                  132 │ JFK          │ 2015 │   1 │    0 │
│ 2015-07-01 00:27:51 │ 2015-07-01 00:39:02 │        14.72 │                -101 │                  138 │ LGA          │ 2015 │   1 │    0 │
│ 2015-07-01 00:32:03 │ 2015-07-01 00:55:39 │        39.34 │                  48 │                  138 │ LGA          │ 2015 │   1 │    0 │
│ 2015-07-01 00:34:12 │ 2015-07-01 00:40:48 │         9.95 │                 -93 │                  132 │ JFK          │ 2015 │   1 │    0 │
│ 2015-07-01 00:38:26 │ 2015-07-01 00:49:00 │         13.3 │                 -11 │                  138 │ LGA          │ 2015 │   1 │    0 │
│ 2015-07-01 00:41:48 │ 2015-07-01 00:44:45 │          6.3 │                 -94 │                  132 │ JFK          │ 2015 │   1 │    0 │
│ 2015-07-01 01:06:18 │ 2015-07-01 01:14:43 │        11.76 │                  37 │                  132 │ JFK          │ 2015 │   1 │    1 │

Dictionaryを作成する

Dictionaryとは、メモリに格納されたキー・バリューペアのマッピングです。詳細については、Dictionariesを参照してください。ClickHouseサービス内のテーブルに関連付けられたDictionaryを作成します。テーブルとDictionaryは、ニューヨーク市の各地区の行を含むCSVファイルをもとにしています。各地区は、ニューヨーク市の5つの行政区 (Bronx、Brooklyn、Manhattan、Queens、Staten Island) およびニューアーク空港 (EWR) の名称に対応しています。以下は、使用しているCSVファイルのテーブル形式での抜粋です。ファイル内のLocationIDカラムは、tripsテーブルのpickup_nyct2010_gidカラムおよびdropoff_nyct2010_gidカラムに対応しています：

LocationID	行政区	ゾーン	service_zone
1	EWR	ニューアーク空港	EWR
2	クイーンズ	ジャマイカ湾	ボローゾーン
3	ブロンクス	アラートン/ペルハム・ガーデンズ	ボローゾーン
4	マンハッタン	アルファベット・シティ	イエローゾーン
5	スタテン・アイランド	アーデン・ハイツ	ボロゾーン

次のSQLコマンドを実行すると、taxi_zone_dictionary という名前のDictionaryが作成され、S3 上のCSVファイルからデータが読み込まれます。ファイルのURLは https://datasets-documentation.s3.eu-west-3.amazonaws.com/nyc-taxi/taxi_zone_lookup.csv です。

CREATE DICTIONARY taxi_zone_dictionary
(
  `LocationID` UInt16 DEFAULT 0,
  `Borough` String,
  `Zone` String,
  `service_zone` String
)
PRIMARY KEY LocationID
SOURCE(HTTP(URL 'https://datasets-documentation.s3.eu-west-3.amazonaws.com/nyc-taxi/taxi_zone_lookup.csv' FORMAT 'CSVWithNames'))
LIFETIME(MIN 0 MAX 0)
LAYOUT(HASHED_ARRAY())

LIFETIME を 0 に設定すると、自動更新が無効になり、S3バケットへの不要なトラフィックを防げます。ほかの場合は、異なる設定にすることもあります。詳しくは、LIFETIME を使用した Dictionary データの更新を参照してください。

正しく動作していることを確認します。以下は265行、つまり各地区に対して1行ずつ返されるはずです:
SELECT * FROM taxi_zone_dictionary
辞書から値を取得するには、dictGet 関数 (またはその派生関数) を使用します。辞書名、取得したい値、キー (この例では taxi_zone_dictionary の LocationID カラム) を渡します。たとえば、次のクエリは、LocationID が 132 の Borough を返します。これはJFK空港に該当します):
SELECT dictGet('taxi_zone_dictionary', 'Borough', 132)
JFK はクイーンズにあります。値の取得時間がほぼ 0 であることに注目してください。
┌─dictGet('taxi_zone_dictionary', 'Borough', 132)─┐ │ Queens │ └─────────────────────────────────────────────────┘ 1 rows in set. Elapsed: 0.004 sec.
dictHas 関数を使用すると、Dictionary にキーが存在するかどうかを確認できます。たとえば、次のクエリは 1 (ClickHouse では「true」) を返します。
SELECT dictHas('taxi_zone_dictionary', 132)
以下のクエリは、4567 が Dictionary 内の LocationID の値ではないため、0 を返します。
SELECT dictHas('taxi_zone_dictionary', 4567)

クエリで borough の名前を取得するには、dictGet 関数を使用します。たとえば、次のとおりです：

SELECT
    count(1) AS total,
    dictGetOrDefault('taxi_zone_dictionary','Borough', toUInt64(pickup_nyct2010_gid), 'Unknown') AS borough_name
FROM trips
WHERE dropoff_nyct2010_gid = 132 OR dropoff_nyct2010_gid = 138
GROUP BY borough_name
ORDER BY total DESC

このクエリは、降車地がラガーディア空港または JFK 空港のいずれかであるタクシーの乗車数を行政区ごとに合計します。結果は次のようになり、乗車エリアが不明な移動がかなり多いことに注意してください：

┌─total─┬─borough_name──┐
│ 23683 │ Unknown       │
│  7053 │ Manhattan     │
│  6828 │ Brooklyn      │
│  4458 │ Queens        │
│  2670 │ Bronx         │
│   554 │ Staten Island │
│    53 │ EWR           │
└───────┴───────────────┘

7 rows in set. Elapsed: 0.019 sec. Processed 2.00 million rows, 4.00 MB (105.70 million rows/s., 211.40 MB/s.)

JOIN を実行する

taxi_zone_dictionary を trips テーブルと結合するクエリをいくつか書いてみましょう。

まずは、上の空港クエリとほぼ同じように動作するシンプルな JOIN から始めます。

SELECT
    count(1) AS total,
    Borough
FROM trips
JOIN taxi_zone_dictionary ON toUInt64(trips.pickup_nyct2010_gid) = taxi_zone_dictionary.LocationID
WHERE dropoff_nyct2010_gid = 132 OR dropoff_nyct2010_gid = 138
GROUP BY Borough
ORDER BY total DESC

応答は dictGet クエリの場合と同じように見えます。

┌─total─┬─Borough───────┐
│  7053 │ Manhattan     │
│  6828 │ Brooklyn      │
│  4458 │ Queens        │
│  2670 │ Bronx         │
│   554 │ Staten Island │
│    53 │ EWR           │
└───────┴───────────────┘

6 rows in set. Elapsed: 0.034 sec. Processed 2.00 million rows, 4.00 MB (59.14 million rows/s., 118.29 MB/s.)

上の JOIN クエリの出力は、それ以前の dictGetOrDefault を使用したクエリと同じです (Unknown の値が含まれない点を除きます) 。内部では、ClickHouse は実際には taxi_zone_dictionary Dictionary に対して dictGet 関数を呼び出していますが、JOIN 構文の方が SQL 開発者にはなじみやすいでしょう。

このクエリは、チップ額が最も高い 1000 件の trip の行を返し、その後、各行を Dictionary と内部結合します。

SELECT *
FROM trips
JOIN taxi_zone_dictionary
    ON trips.dropoff_nyct2010_gid = taxi_zone_dictionary.LocationID
WHERE tip_amount > 0
ORDER BY tip_amount DESC
LIMIT 1000

一般に、ClickHouse では SELECT * を多用することは避けます。実際に必要なカラムだけを取得してください。

次のステップ

ClickHouse についてさらに詳しくは、以下のドキュメントをご覧ください。

ClickHouse のプライマリインデックス入門: ClickHouse がクエリ時に関連データを効率的に特定するために、スパースプライマリインデックスをどのように使用しているかを学べます。
外部データソースを連携する: ファイル、Kafka、PostgreSQL、データパイプラインなど、データソースのインテグレーションオプションを確認できます。
ClickHouse でデータを可視化する: お使いの UI/BI ツールを ClickHouse に接続できます。
SQL リファレンス: データの変換、処理、分析に使用できる、ClickHouse の SQL 関数を参照できます。

​概要

​前提条件

​新しいテーブルを作成する

​データセットを追加する

​データを分析する

​Dictionaryを作成する

​JOIN を実行する

​次のステップ

概要

前提条件

新しいテーブルを作成する

データセットを追加する

データを分析する

Dictionaryを作成する

JOIN を実行する

次のステップ