跳到主要内容
跳到主要内容

如何查询远程 ClickHouse 服务器

在本指南中，我们将学习如何使用 chDB 查询远程 ClickHouse 服务器。

设置​

首先创建一个虚拟环境：

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

接下来我们来安装 chDB。 请确保使用 2.0.2 或更高版本：

pip install "chdb>=2.0.2"

接下来我们要安装 Pandas 和 IPython：

pip install pandas ipython

接下来我们将使用 ipython 来运行本指南剩余部分中的命令，你可以通过运行以下命令来启动它：

ipython

你也可以在 Python 脚本或常用的笔记本环境中使用这段代码。

ClickPy 简介​

我们将要查询的远程 ClickHouse 服务器是 ClickPy。 ClickPy 记录所有 PyPI 包的下载情况，并通过 UI 让你探索各个包的统计信息。 可以使用 play 用户查询底层数据库。

你可以在 其 GitHub 仓库 中了解更多关于 ClickPy 的信息。

查询 ClickPy ClickHouse 服务​

现在导入 chDB：

import chdb

我们将使用 remoteSecure 函数来查询 ClickPy。 该函数至少需要传入主机名、表名和用户名。

我们可以编写如下查询，将 openai 包 的按日下载次数作为一个 Pandas DataFrame 返回：

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

现在，让我们用同样的方法获取并返回 scikit-learn 的下载量：

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

合并 Pandas DataFrame​

现在我们已经有两个 DataFrame，可以按日期（即 x 列）将它们合并，如下所示：

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

然后我们可以这样计算 OpenAI 下载量与 scikit-learn 下载量之比：

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

查询 Pandas DataFrame​

接下来，假设我们想要找出比例最高和最低的日期。 我们可以回到 chDB 中计算这些值：

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")

   最佳比率    最佳日期  最差比率   最差日期
0   0.693855  2024-09-19    0.000003  2020-02-09

如果你想进一步了解如何查询 Pandas DataFrame，请参阅 Pandas DataFrames 开发者指南。