メインコンテンツまでスキップ
メインコンテンツまでスキップ

NYPD Complaint Data

Tab区切り値(TSV)ファイルは一般的で、ファイルの最初の行にはフィールド見出しが含まれている場合があります。ClickHouseはTSVを読み込むことができ、ファイルを読み込むことなくTSVをクエリすることもできます。このガイドではこの2つのケースをカバーします。CSVファイルをクエリまたは読み込む必要がある場合も、同じ手法が機能し、フォーマット引数内でTSVCSVに置き換えるだけで済みます。

このガイドを通じて、あなたは以下を行います。

  • 調査: TSVファイルの構造と内容をクエリします。
  • 対象ClickHouseスキーマを決定: 適切なデータ型を選び、既存のデータをその型にマッピングします。
  • ClickHouseテーブルを作成
  • データを前処理してClickHouseにストリーミングします。
  • ClickHouseに対していくつかのクエリを実行します。

このガイドで使用されるデータセットはNYC Open Dataチームからのもので、「ニューヨーク市警察(NYPD)に報告されたすべての有効な重罪、軽罪、違反犯罪」に関するデータが含まれています。この文書執筆時点ではデータファイルは166MBですが、定期的に更新されます。

出典: data.cityofnewyork.us
利用規約: https://www1.nyc.gov/home/terms-of-use.page

前提条件

このガイドで説明するコマンドについての注意

このガイドでは2種類のコマンドがあります。

  • 一部のコマンドはTSVファイルをクエリしており、これはコマンドプロンプトで実行されます。
  • 残りのコマンドはClickHouseをクエリしており、これはclickhouse-clientまたはPlay UIで実行されます。
注記

このガイドの例では、TSVファイルを${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsvに保存していると仮定しています。必要に応じてコマンドを調整してください。

TSVファイルに慣れる

ClickHouseデータベースで作業を開始する前に、データに慣れてください。

ソースTSVファイルのフィールドを確認する

これはTSVファイルをクエリするためのコマンドの例ですが、まだ実行しないでください。

clickhouse-local --query \
"describe file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')"

サンプルレスポンス

CMPLNT_NUM                  Nullable(Float64)
ADDR_PCT_CD                 Nullable(Float64)
BORO_NM                     Nullable(String)
CMPLNT_FR_DT                Nullable(String)
CMPLNT_FR_TM                Nullable(String)
ヒント

ほとんどの場合、上記のコマンドは入力データ内のどのフィールドが数値で、どのフィールドが文字列で、どのフィールドがタプルであるかを示します。ただし、これは常に当てはまるわけではありません。ClickHouseは数十億のレコードを含むデータセットで通常使用されるため、スキーマを推測するためにデフォルトで調査される行数は100行です。これは、スキーマを推測するために数十億の行を解析するのを避けるためです。以下のレスポンスは、データセットが毎年数回更新されるため、実際に見るものとは一致しない場合があります。データ辞書を確認すると、CMPLNT_NUMが数値ではなくテキストとして指定されていることがわかります。推測のデフォルト100行をSETTINGS input_format_max_rows_to_read_for_schema_inference=2000の設定でオーバーライドすることで、内容をよりよく理解できます。

注: バージョン22.5以降、スキーマ推測のデフォルトは25,000行に設定されているため、古いバージョンを使用しているか、25,000行以上のサンプルが必要な場合にのみこの設定を変更してください。

コマンドプロンプトでこのコマンドを実行してください。ダウンロードしたTSVファイルのデータをクエリするためにclickhouse-localを使用します。

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"describe file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')"

結果:

CMPLNT_NUM        Nullable(String)
ADDR_PCT_CD       Nullable(Float64)
BORO_NM           Nullable(String)
CMPLNT_FR_DT      Nullable(String)
CMPLNT_FR_TM      Nullable(String)
CMPLNT_TO_DT      Nullable(String)
CMPLNT_TO_TM      Nullable(String)
CRM_ATPT_CPTD_CD  Nullable(String)
HADEVELOPT        Nullable(String)
HOUSING_PSA       Nullable(Float64)
JURISDICTION_CODE Nullable(Float64)
JURIS_DESC        Nullable(String)
KY_CD             Nullable(Float64)
LAW_CAT_CD        Nullable(String)
LOC_OF_OCCUR_DESC Nullable(String)
OFNS_DESC         Nullable(String)
PARKS_NM          Nullable(String)
PATROL_BORO       Nullable(String)
PD_CD             Nullable(Float64)
PD_DESC           Nullable(String)
PREM_TYP_DESC     Nullable(String)
RPT_DT            Nullable(String)
STATION_NAME      Nullable(String)
SUSP_AGE_GROUP    Nullable(String)
SUSP_RACE         Nullable(String)
SUSP_SEX          Nullable(String)
TRANSIT_DISTRICT  Nullable(Float64)
VIC_AGE_GROUP     Nullable(String)
VIC_RACE          Nullable(String)
VIC_SEX           Nullable(String)
X_COORD_CD        Nullable(Float64)
Y_COORD_CD        Nullable(Float64)
Latitude          Nullable(Float64)
Longitude         Nullable(Float64)
Lat_Lon           Tuple(Nullable(Float64), Nullable(Float64))
New Georeferenced Column Nullable(String)

この時点で、TSVファイル内の列がデータセットのウェブページこのデータセットのカラムセクションで指定された名前とタイプに一致していることを確認する必要があります。データ型は非常に特定的ではなく、すべての数値フィールドはNullable(Float64)に設定されており、他のフィールドはすべてNullable(String)です。データを保存するためのClickHouseテーブルを作成するときに、より適切でパフォーマンスの高い型を指定できます。

適切なスキーマを決定する

フィールドに使用すべき型を判断するためには、データがどのように見えるかを知る必要があります。たとえば、フィールドJURISDICTION_CODEは数値であるべきですが、UInt8Enum、それともFloat64が適切でしょうか?

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select JURISDICTION_CODE, count() FROM
 file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
 GROUP BY JURISDICTION_CODE
 ORDER BY JURISDICTION_CODE
 FORMAT PrettyCompact"

結果:

┌─JURISDICTION_CODE─┬─count()─┐
│                 0 │  188875 │
│                 1 │    4799 │
│                 2 │   13833 │
│                 3 │     656 │
│                 4 │      51 │
│                 6 │       5 │
│                 7 │       2 │
│                 9 │      13 │
│                11 │      14 │
│                12 │       5 │
│                13 │       2 │
│                14 │      70 │
│                15 │      20 │
│                72 │     159 │
│                87 │       9 │
│                88 │      75 │
│                97 │     405 │
└───────────────────┴─────────┘

クエリのレスポンスは、JURISDICTION_CODEUInt8に適合することを示しています。

同様に、一部のStringフィールドを確認し、DateTimeまたはLowCardinality(String)フィールドとして適切かどうかを確認してください。

たとえば、フィールドPARKS_NMは「該当する場合、発生地点のニューヨーク市の公園、遊び場、グリーンスペースの名前(州立公園は含まれません)」と説明されています。ニューヨーク市の公園名はLowCardinality(String)の適候補になるかもしれません:

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select count(distinct PARKS_NM) FROM
 file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
 FORMAT PrettyCompact"

結果:

┌─uniqExact(PARKS_NM)─┐
│                 319 │
└─────────────────────┘

いくつかの公園名を見てみましょう:

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select distinct PARKS_NM FROM
 file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
 LIMIT 10
 FORMAT PrettyCompact"

結果:

┌─PARKS_NM───────────────────┐
│ (null)                     │
│ ASSER LEVY PARK            │
│ JAMES J WALKER PARK        │
│ BELT PARKWAY/SHORE PARKWAY │
│ PROSPECT PARK              │
│ MONTEFIORE SQUARE          │
│ SUTTON PLACE PARK          │
│ JOYCE KILMER PARK          │
│ ALLEY ATHLETIC PLAYGROUND  │
│ ASTORIA PARK               │
└────────────────────────────┘

執筆時点で使用中のデータセットには、PARK_NMカラムに数百の異なる公園と遊び場しか含まれていません。この数は、LowCardinalityの推奨に基づき、LowCardinality(String)フィールド内の異なる文字列が10,000未満であることを考えると、小さい数です。

DateTimeフィールド

データセットのウェブページこのデータセットのカラムセクションに基づくと、報告されたイベントの開始と終了の日時フィールドがあります。CMPLNT_FR_DTおよびCMPLT_TO_DTの最小値と最大値を見て、フィールドが常に埋まっているかどうかを判断します:

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select min(CMPLNT_FR_DT), max(CMPLNT_FR_DT) FROM
file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
FORMAT PrettyCompact"

結果:

┌─min(CMPLNT_FR_DT)─┬─max(CMPLNT_FR_DT)─┐
│ 01/01/1973        │ 12/31/2021        │
└───────────────────┴───────────────────┘
clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select min(CMPLNT_TO_DT), max(CMPLNT_TO_DT) FROM
file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
FORMAT PrettyCompact"

結果:

┌─min(CMPLNT_TO_DT)─┬─max(CMPLNT_TO_DT)─┐
│                   │ 12/31/2021        │
└───────────────────┴───────────────────┘
clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select min(CMPLNT_FR_TM), max(CMPLNT_FR_TM) FROM
file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
FORMAT PrettyCompact"

結果:

┌─min(CMPLNT_FR_TM)─┬─max(CMPLNT_FR_TM)─┐
│ 00:00:00          │ 23:59:00          │
└───────────────────┴───────────────────┘
clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select min(CMPLNT_TO_TM), max(CMPLNT_TO_TM) FROM
file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
FORMAT PrettyCompact"

結果:

┌─min(CMPLNT_TO_TM)─┬─max(CMPLNT_TO_TM)─┐
│ (null)            │ 23:59:00          │
└───────────────────┴───────────────────┘

計画を立てる

上記の調査に基づいて:

  • JURISDICTION_CODEUInt8にキャストされるべきです。
  • PARKS_NMLowCardinality(String)にキャストされるべきです。
  • CMPLNT_FR_DTおよびCMPLNT_FR_TMは常に埋まっています(デフォルトの時間が00:00:00である可能性があります)。
  • CMPLNT_TO_DTおよびCMPLNT_TO_TMは空である可能性があります。
  • 日付と時刻はソース内で別々のフィールドに格納されています。
  • 日付はmm/dd/yyyy形式です。
  • 時間はhh:mm:ss形式です。
  • 日付と時刻はDateTime型に連結できます。
  • 1970年1月1日より前の日付がいくつかあるため、64ビットDateTimeが必要です。
注記

型に関する変更はまだ多く、そのすべては同様の調査ステップに従うことで決定できます。フィールド内の異なる文字列の数、数値の最小値および最大値を確認し、判断を下してください。後でガイドに示されるテーブルスキーマには、多くのローカルコーディナリティ文字列と非符号整数フィールドがあり、浮動小数点数は非常に少ないです。

日付と時間フィールドを連結する

日付と時間フィールドCMPLNT_FR_DTCMPLNT_FR_TMを単一のStringに連結してからDateTimeにキャストするために、CMPLNT_FR_DT || ' ' || CMPLNT_FR_TMという演算子で2つのフィールドを結合します。CMPLNT_TO_DTおよびCMPLNT_TO_TMフィールドも同様に処理されます。

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select CMPLNT_FR_DT || ' ' || CMPLNT_FR_TM AS complaint_begin FROM
file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
LIMIT 10
FORMAT PrettyCompact"

結果:

┌─complaint_begin─────┐
│ 07/29/2010 00:01:00 │
│ 12/01/2011 12:00:00 │
│ 04/01/2017 15:00:00 │
│ 03/26/2018 17:20:00 │
│ 01/01/2019 00:00:00 │
│ 06/14/2019 00:00:00 │
│ 11/29/2021 20:00:00 │
│ 12/04/2021 00:35:00 │
│ 12/05/2021 12:50:00 │
│ 12/07/2021 20:30:00 │
└─────────────────────┘

日付と時間のStringをDateTime64型に変換する

前のガイドでは、TSVファイルに1970年1月1日より前の日付が存在することを発見しました。これは、日付には64ビットのDateTime型が必要であることを意味します。日付はMM/DD/YYYYからYYYY/MM/DD形式に変換する必要もあります。これらの両方はparseDateTime64BestEffort()を使用して行うことができます。

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"WITH (CMPLNT_FR_DT || ' ' || CMPLNT_FR_TM) AS CMPLNT_START,
      (CMPLNT_TO_DT || ' ' || CMPLNT_TO_TM) AS CMPLNT_END
select parseDateTime64BestEffort(CMPLNT_START) AS complaint_begin,
       parseDateTime64BestEffortOrNull(CMPLNT_END) AS complaint_end
FROM file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
ORDER BY complaint_begin ASC
LIMIT 25
FORMAT PrettyCompact"

上記の2行目と3行目には前のステップからの連結が含まれており、上記の4行目と5行目は文字列をDateTime64に解析します。苦情の終了時間が存在することが保証されていないため、parseDateTime64BestEffortOrNullが使用されます。

結果:

┌─────────complaint_begin─┬───────────complaint_end─┐
│ 1925-01-01 10:00:00.000 │ 2021-02-12 09:30:00.000 │
│ 1925-01-01 11:37:00.000 │ 2022-01-16 11:49:00.000 │
│ 1925-01-01 15:00:00.000 │ 2021-12-31 00:00:00.000 │
│ 1925-01-01 15:00:00.000 │ 2022-02-02 22:00:00.000 │
│ 1925-01-01 19:00:00.000 │ 2022-04-14 05:00:00.000 │
│ 1955-09-01 19:55:00.000 │ 2022-08-01 00:45:00.000 │
│ 1972-03-17 11:40:00.000 │ 2022-03-17 11:43:00.000 │
│ 1972-05-23 22:00:00.000 │ 2022-05-24 09:00:00.000 │
│ 1972-05-30 23:37:00.000 │ 2022-05-30 23:50:00.000 │
│ 1972-07-04 02:17:00.000 │                    ᴺᵁᴸᴸ │
│ 1973-01-01 00:00:00.000 │                    ᴺᵁᴸᴸ │
│ 1975-01-01 00:00:00.000 │                    ᴺᵁᴸᴸ │
│ 1976-11-05 00:01:00.000 │ 1988-10-05 23:59:00.000 │
│ 1977-01-01 00:00:00.000 │ 1977-01-01 23:59:00.000 │
│ 1977-12-20 00:01:00.000 │                    ᴺᵁᴸᴸ │
│ 1981-01-01 00:01:00.000 │                    ᴺᵁᴸᴸ │
│ 1981-08-14 00:00:00.000 │ 1987-08-13 23:59:00.000 │
│ 1983-01-07 00:00:00.000 │ 1990-01-06 00:00:00.000 │
│ 1984-01-01 00:01:00.000 │ 1984-12-31 23:59:00.000 │
│ 1985-01-01 12:00:00.000 │ 1987-12-31 15:00:00.000 │
│ 1985-01-11 09:00:00.000 │ 1985-12-31 12:00:00.000 │
│ 1986-03-16 00:05:00.000 │ 2022-03-16 00:45:00.000 │
│ 1987-01-07 00:00:00.000 │ 1987-01-09 00:00:00.000 │
│ 1988-04-03 18:30:00.000 │ 2022-08-03 09:45:00.000 │
│ 1988-07-29 12:00:00.000 │ 1990-07-27 22:00:00.000 │
└─────────────────────────┴─────────────────────────┘
注記

上記に示されている1925として表示されている日付は、データの誤りに起因しています。元のデータには年1019 - 1022の日付を持ついくつかのレコードがあり、これらは2019 - 2022であるべきです。これらは、64ビットDateTimeの最も早い日付である1925年1月1日に格納されています。

テーブルを作成する

上記で決定されたカラムのデータ型は、以下のテーブルスキーマに反映されています。テーブルに使用されるORDER BYおよびPRIMARY KEYも決定する必要があります。 ORDER BYまたはPRIMARY KEYのいずれかは指定する必要があります。 ORDER BYに含めるカラム決定に関するガイドラインは以下にあり、この文書の最後の次のステップセクションにはさらに詳細があります。

ORDER BYおよびPRIMARY KEY

  • ORDER BYタプルにはクエリフィルターで使用されるフィールドを含めるべきです。
  • ディスク上の圧縮を最大化するために、ORDER BYタプルは昇順にカーディナリティで並べるべきです。
  • 存在する場合、PRIMARY KEYタプルはORDER BYタプルのサブセットでなければなりません。
  • ORDER BYのみが指定されている場合、同じタプルがPRIMARY KEYとして使用されます。
  • 指定されたPRIMARY KEYタプルがあれば、主キーインデックスはそのタプルを使用して作成され、それ以外の場合はORDER BYタプルが使用されます。
  • PRIMARY KEYインデックスは主メモリに保持されます。

データセットを見て、クエリすることによって答えられるかもしれない質問を考慮すると、ニューヨーク市の5つの区で報告された犯罪の種類を見たいと私たちは決定するかもしれません。これらのフィールドはその後ORDER BYに含められるかもしれません:

カラム説明(データ辞書から)
OFNS_DESCキーコードに対応する犯罪の説明
RPT_DT警察に報告されたイベントの日付
BORO_NM事件が発生した区の名前

3つの候補カラムのカーディナリティについてTSVファイルをクエリします:

clickhouse-local --input_format_max_rows_to_read_for_schema_inference=2000 \
--query \
"select formatReadableQuantity(uniq(OFNS_DESC)) as cardinality_OFNS_DESC,
        formatReadableQuantity(uniq(RPT_DT)) as cardinality_RPT_DT,
        formatReadableQuantity(uniq(BORO_NM)) as cardinality_BORO_NM
  FROM
  file('${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv', 'TSVWithNames')
  FORMAT PrettyCompact"

結果:

┌─cardinality_OFNS_DESC─┬─cardinality_RPT_DT─┬─cardinality_BORO_NM─┐
│ 60.00                 │ 306.00             │ 6.00                │
└───────────────────────┴────────────────────┴─────────────────────┘

カーディナリティに基づいてORDER BYが以下になります:

ORDER BY ( BORO_NM, OFNS_DESC, RPT_DT )
注記

以下のテーブルは、より読みやすいカラム名を使用しますが、上記の名前は

ORDER BY ( borough, offense_description, date_reported )

にマッピングされます。

データ型の変更とORDER BYタプルを組み合わせたこのテーブル構造を示します:

CREATE TABLE NYPD_Complaint (
    complaint_number     String,
    precinct             UInt8,
    borough              LowCardinality(String),
    complaint_begin      DateTime64(0,'America/New_York'),
    complaint_end        DateTime64(0,'America/New_York'),
    was_crime_completed  String,
    housing_authority    String,
    housing_level_code   UInt32,
    jurisdiction_code    UInt8,
    jurisdiction         LowCardinality(String),
    offense_code         UInt8,
    offense_level        LowCardinality(String),
    location_descriptor  LowCardinality(String),
    offense_description  LowCardinality(String),
    park_name            LowCardinality(String),
    patrol_borough       LowCardinality(String),
    PD_CD                UInt16,
    PD_DESC              String,
    location_type        LowCardinality(String),
    date_reported        Date,
    transit_station      LowCardinality(String),
    suspect_age_group    LowCardinality(String),
    suspect_race         LowCardinality(String),
    suspect_sex          LowCardinality(String),
    transit_district     UInt8,
    victim_age_group     LowCardinality(String),
    victim_race          LowCardinality(String),
    victim_sex           LowCardinality(String),
    NY_x_coordinate      UInt32,
    NY_y_coordinate      UInt32,
    Latitude             Float64,
    Longitude            Float64
) ENGINE = MergeTree
  ORDER BY ( borough, offense_description, date_reported )

テーブルの主キーを見つける

ClickHouseのsystemデータベース、特にsystem.tableには、作成したテーブルに関するすべての情報があります。このクエリはORDER BY(ソートキー)、およびPRIMARY KEYを表示します:

SELECT
    partition_key,
    sorting_key,
    primary_key,
    table
FROM system.tables
WHERE table = 'NYPD_Complaint'
FORMAT Vertical

レスポンス

Query id: 6a5b10bf-9333-4090-b36e-c7f08b1d9e01

Row 1:
──────
partition_key:
sorting_key:   borough, offense_description, date_reported
primary_key:   borough, offense_description, date_reported
table:         NYPD_Complaint

1 row in set. Elapsed: 0.001 sec.

データを前処理してインポートする

データの前処理にはclickhouse-localツールを使用し、アップロードにはclickhouse-clientを使用します。

使用されるclickhouse-local引数

ヒント

table='input'は以下のclickhouse-localの引数に表示されます。clickhouse-localは引数で提供された入力(cat ${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv)をテーブルに挿入します。デフォルトではテーブル名はtableです。このガイドではデータの流れを明確にするためにテーブル名をinputに設定します。clickhouse-localの最後の引数は、テーブルから選択するクエリ(FROM input)で、これはclickhouse-clientにパイプされ、テーブルNYPD_Complaintを埋めるために使用されます。

cat ${HOME}/NYPD_Complaint_Data_Current__Year_To_Date_.tsv \
  | clickhouse-local --table='input' --input-format='TSVWithNames' \
  --input_format_max_rows_to_read_for_schema_inference=2000 \
  --query "
    WITH (CMPLNT_FR_DT || ' ' || CMPLNT_FR_TM) AS CMPLNT_START,
     (CMPLNT_TO_DT || ' ' || CMPLNT_TO_TM) AS CMPLNT_END
    SELECT
      CMPLNT_NUM                                  AS complaint_number,
      ADDR_PCT_CD                                 AS precinct,
      BORO_NM                                     AS borough,
      parseDateTime64BestEffort(CMPLNT_START)     AS complaint_begin,
      parseDateTime64BestEffortOrNull(CMPLNT_END) AS complaint_end,
      CRM_ATPT_CPTD_CD                            AS was_crime_completed,
      HADEVELOPT                                  AS housing_authority_development,
      HOUSING_PSA                                 AS housing_level_code,
      JURISDICTION_CODE                           AS jurisdiction_code,
      JURIS_DESC                                  AS jurisdiction,
      KY_CD                                       AS offense_code,
      LAW_CAT_CD                                  AS offense_level,
      LOC_OF_OCCUR_DESC                           AS location_descriptor,
      OFNS_DESC                                   AS offense_description,
      PARKS_NM                                    AS park_name,
      PATROL_BORO                                 AS patrol_borough,
      PD_CD,
      PD_DESC,
      PREM_TYP_DESC                               AS location_type,
      toDate(parseDateTimeBestEffort(RPT_DT))     AS date_reported,
      STATION_NAME                                AS transit_station,
      SUSP_AGE_GROUP                              AS suspect_age_group,
      SUSP_RACE                                   AS suspect_race,
      SUSP_SEX                                    AS suspect_sex,
      TRANSIT_DISTRICT                            AS transit_district,
      VIC_AGE_GROUP                               AS victim_age_group,
      VIC_RACE                                    AS victim_race,
      VIC_SEX                                     AS victim_sex,
      X_COORD_CD                                  AS NY_x_coordinate,
      Y_COORD_CD                                  AS NY_y_coordinate,
      Latitude,
      Longitude
    FROM input" \
  | clickhouse-client --query='INSERT INTO NYPD_Complaint FORMAT TSV'

データを検証する

注記

データセットは年に1回以上変更されます。カウントはこの文書の内容と一致しない場合があります。

クエリ:

SELECT count()
FROM NYPD_Complaint

結果:

┌─count()─┐
│  208993 │
└─────────┘

1 row in set. Elapsed: 0.001 sec.

ClickHouseのデータセットのサイズは、元のTSVファイルのわずか12%です。元のTSVファイルのサイズとテーブルのサイズを比較します:

クエリ:

SELECT formatReadableSize(total_bytes)
FROM system.tables
WHERE name = 'NYPD_Complaint'

結果:

┌─formatReadableSize(total_bytes)─┐
│ 8.63 MiB                        │
└─────────────────────────────────┘

いくつかのクエリを実行する

クエリ1. 月ごとの苦情の数を比較する

クエリ:

SELECT
    dateName('month', date_reported) AS month,
    count() AS complaints,
    bar(complaints, 0, 50000, 80)
FROM NYPD_Complaint
GROUP BY month
ORDER BY complaints DESC

結果:

Query id: 7fbd4244-b32a-4acf-b1f3-c3aa198e74d9

┌─month─────┬─complaints─┬─bar(count(), 0, 50000, 80)───────────────────────────────┐
│ March     │      34536 │ ███████████████████████████████████████████████████████▎ │
│ May       │      34250 │ ██████████████████████████████████████████████████████▋  │
│ April     │      32541 │ ████████████████████████████████████████████████████     │
│ January   │      30806 │ █████████████████████████████████████████████████▎       │
│ February  │      28118 │ ████████████████████████████████████████████▊            │
│ November  │       7474 │ ███████████▊                                             │
│ December  │       7223 │ ███████████▌                                             │
│ October   │       7070 │ ███████████▎                                             │
│ September │       6910 │ ███████████                                              │
│ August    │       6801 │ ██████████▊                                              │
│ June      │       6779 │ ██████████▋                                              │
│ July      │       6485 │ ██████████▍                                              │
└───────────┴────────────┴──────────────────────────────────────────────────────────┘

12 rows in set. Elapsed: 0.006 sec. Processed 208.99 thousand rows, 417.99 KB (37.48 million rows/s., 74.96 MB/s.)

クエリ2. 区ごとの苦情の総数を比較する

クエリ:

SELECT
    borough,
    count() AS complaints,
    bar(complaints, 0, 125000, 60)
FROM NYPD_Complaint
GROUP BY borough
ORDER BY complaints DESC

結果:

Query id: 8cdcdfd4-908f-4be0-99e3-265722a2ab8d

┌─borough───────┬─complaints─┬─bar(count(), 0, 125000, 60)──┐
│ BROOKLYN      │      57947 │ ███████████████████████████▋ │
│ MANHATTAN     │      53025 │ █████████████████████████▍   │
│ QUEENS        │      44875 │ █████████████████████▌       │
│ BRONX         │      44260 │ █████████████████████▏       │
│ STATEN ISLAND │       8503 │ ████                         │
│ (null)        │        383 │ ▏                            │
└───────────────┴────────────┴──────────────────────────────┘

6 rows in set. Elapsed: 0.008 sec. Processed 208.99 thousand rows, 209.43 KB (27.14 million rows/s., 27.20 MB/s.)

次のステップ

ClickHouseにおけるスパース主インデックスの実用的紹介では、従来の関係データベースにおけるClickHouseのインデックスの違いや、ClickHouseがスパース主インデックスをどのように構築および使用するか、ならびにインデックスのベストプラクティスについて説明しています。