Skip to main content
Gran parte de los datos del mundo está almacenada en buckets de Amazon S3. En esta guía, aprenderemos a consultar esos datos con chDB.

Configuración

Primero, creemos un entorno virtual:
Ahora vamos a instalar chDB. Asegúrate de tener la versión 2.0.2 o una posterior:
Ahora vamos a instalar IPython:
Vamos a usar ipython para ejecutar los comandos del resto de la guía, que puedes iniciar con:
También puedes usar el código en un script de Python o en tu notebook favorito.

Explorar los metadatos de Parquet

Vamos a explorar un archivo Parquet del conjunto de datos de reseñas de Amazon. Pero antes, instalemos chDB:
Al consultar archivos Parquet, podemos usar el formato de entrada ParquetMetadata para que devuelva los metadatos de Parquet en lugar del contenido del archivo. Usemos la cláusula DESCRIBE para ver los campos que devuelve este formato:
Veamos ahora los metadatos de este archivo. columns y row_groups contienen arrays de tuplas con muchas propiedades, así que por ahora los omitiremos.
A partir de esta salida, vemos que este archivo Parquet tiene más de 40 millones de filas, distribuidas en 42 grupos de filas, con 15 columnas de datos por fila. Un grupo de filas es una partición horizontal lógica de los datos en filas. Cada grupo de filas tiene metadatos asociados, y las herramientas de consulta pueden aprovechar esos metadatos para consultar el archivo de forma eficiente. Veamos uno de los grupos de filas:

Consultar archivos Parquet

A continuación, consultemos el contenido del archivo. Podemos hacerlo ajustando la consulta anterior para quitar ParquetMetadata y luego, por ejemplo, calcular el star_rating más frecuente entre todas las reseñas:
Curiosamente, hay más reseñas de 5 estrellas que del resto de valoraciones juntas. Parece que a la gente le gustan los productos de Amazon o, si no, simplemente no deja ninguna valoración.
Última modificación el 23 de julio de 2026