リモート ClickHouse サーバーにクエリを実行する方法

このガイドでは、chDB からリモート ClickHouse サーバーにクエリを実行する方法を学びます。

このガイドでは、chDB からリモート ClickHouse サーバーにクエリを実行する方法を学びます。

​

セットアップ

まず、仮想環境を作成しましょう：

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

それでは、chDB をインストールしましょう。 バージョン 2.0.2 以上であることを確認してください。

pip install "chdb>=2.0.2"

それでは、pandas と ipython をインストールします。

pip install pandas ipython

このガイドの以降のコマンド実行には ipython を使用します。次を実行して起動できます。

ipython

このコードは、Pythonスクリプトやお好みのノートブックでも使用できます。

​

ClickPy の紹介

これからクエリを実行するリモートの ClickHouseサーバーは、ClickPy です。 ClickPy は PyPI パッケージのすべてのダウンロードを記録しており、UI からパッケージの統計情報を確認できます。 基盤となるデータベースには、play ユーザーを使ってクエリを実行できます。

ClickPy の詳細については、GitHub リポジトリ を参照してください。

​

ClickPy の ClickHouse service をクエリする

まず、chDB をインポートしましょう:

import chdb

remoteSecure 関数を使って、ClickPy にクエリを実行します。 この関数には、少なくともホスト名、テーブル名、username を指定する必要があります。

次のクエリを記述すると、openai パッケージ の日ごとのダウンロード数を Pandas DataFrame として取得できます。

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

では、scikit-learn についても同様に、ダウンロード数を返してみましょう。

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

​

Pandas DataFrame の結合

これで 2 つの DataFrame がそろったので、日付 (x カラム) をキーとして、次のように結合できます。

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

次に、Open AI のダウンロード数と scikit-learn のダウンロード数の比率は、次のように計算できます。

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

​

Pandas DataFrames をクエリする

次に、比率が最も高い日と最も低い日を見つけるとします。 chDB に戻って、それらの値を算出できます。

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

Pandas DataFrames のクエリについてさらに詳しくは、Pandas DataFrames 開発者ガイドを参照してください。