> ## Documentation Index > Fetch the complete documentation index at: https://clickhouse.com/docs/llms.txt > Use this file to discover all available pages before exploring further. # Comment calculer la proportion de valeurs vides/égales à zéro dans chaque colonne d'une table > Découvrez comment calculer la proportion de valeurs vides ou égales à zéro dans chaque colonne d'une table ClickHouse afin d'optimiser la sérialisation des colonnes clairsemées.
## Comment calculer la proportion de valeurs vides/égales à zéro dans chaque colonne d’une table
Si une colonne est sparse (vide ou contient principalement des zéros), ClickHouse peut l’encoder dans un format sparse et optimiser automatiquement les calculs : les données n’ont pas besoin d’être entièrement décompressées pendant les requêtes. En effet, si vous savez à quel point une colonne est sparse, vous pouvez définir sa proportion à l’aide du [paramètre `ratio_of_defaults_for_sparse_serialization`](/docs/fr/reference/settings/merge-tree-settings#ratio_of_defaults_for_sparse_serialization) afin d’optimiser la sérialisation. Cette requête pratique peut prendre un certain temps, mais elle analyse chaque ligne de votre table et détermine la proportion de valeurs égales à zéro (ou à la valeur par défaut) dans chaque colonne de la table spécifiée : ```sql theme={null} SELECT * APPLY x -> (x = defaultValueOfArgumentType(x)) APPLY avg APPLY x -> round(x, 3) FROM table_name FORMAT Vertical ``` Par exemple, nous avons exécuté la requête ci-dessus sur la table [environmental sensors dataset](/docs/fr/get-started/sample-datasets/environmental-sensors), nommée `sensors`, qui contient plus de 20 milliards de lignes et 19 colonnes : ```sql theme={null} SELECT * APPLY x -> (x = defaultValueOfArgumentType(x)) APPLY avg APPLY x -> round(x, 3) FROM sensors FORMAT Vertical ``` Voici la réponse : ```response theme={null} Row 1: ────── round(avg(equals(sensor_id, defaultValueOfArgumentType(sensor_id))), 3): 0 round(avg(equals(sensor_type, defaultValueOfArgumentType(sensor_type))), 3): 0.159 round(avg(equals(location, defaultValueOfArgumentType(location))), 3): 0 round(avg(equals(lat, defaultValueOfArgumentType(lat))), 3): 0.001 round(avg(equals(lon, defaultValueOfArgumentType(lon))), 3): 0.001 round(avg(equals(timestamp, defaultValueOfArgumentType(timestamp))), 3): 0 round(avg(equals(P1, defaultValueOfArgumentType(P1))), 3): 0.474 round(avg(equals(P2, defaultValueOfArgumentType(P2))), 3): 0.475 round(avg(equals(P0, defaultValueOfArgumentType(P0))), 3): 0.995 round(avg(equals(durP1, defaultValueOfArgumentType(durP1))), 3): 0.999 round(avg(equals(ratioP1, defaultValueOfArgumentType(ratioP1))), 3): 0.999 round(avg(equals(durP2, defaultValueOfArgumentType(durP2))), 3): 1 round(avg(equals(ratioP2, defaultValueOfArgumentType(ratioP2))), 3): 1 round(avg(equals(pressure, defaultValueOfArgumentType(pressure))), 3): 0.83 round(avg(equals(altitude, defaultValueOfArgumentType(altitude))), 3): 1 round(avg(equals(pressure_sealevel, defaultValueOfArgumentType(pressure_sealevel))), 3): 1 round(avg(equals(temperature, defaultValueOfArgumentType(temperature))), 3): 0.532 round(avg(equals(humidity, defaultValueOfArgumentType(humidity))), 3): 0.544 1 row in set. Elapsed: 992.041 sec. Processed 20.69 billion rows, 1.39 TB (20.86 million rows/s., 1.40 GB/s.) ``` D'après les résultats ci-dessus : * la colonne `sensor_id` n'est pas du tout clairsemée. En fait, chaque ligne a une valeur différente de zéro * la colonne `sensor_type` n'est clairsemée qu'à environ 15,9 % * la colonne `P0` est très clairsemée : 99,9 % des valeurs sont égales à zéro * la colonne `pressure` est assez clairsemée, à 83 % * et la colonne `temperature` a 53,2 % de ses valeurs manquantes ou égales à zéro Comme nous l'avons dit, c'est une requête pratique pour calculer le degré de parcimonie de vos colonnes dans une table ClickHouse !