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

The UK property prices dataset

このデータには、イングランドおよびウェールズにおける不動産物件の購入価格が含まれています。このデータは1995年から利用可能で、圧縮されていない形のデータセットサイズは約4 GiB(ClickHouseでは約278 MiBしかかかりません)。

テーブルの作成

CREATE DATABASE uk;

CREATE TABLE uk.uk_price_paid
(
    price UInt32,
    date Date,
    postcode1 LowCardinality(String),
    postcode2 LowCardinality(String),
    type Enum8('terraced' = 1, 'semi-detached' = 2, 'detached' = 3, 'flat' = 4, 'other' = 0),
    is_new UInt8,
    duration Enum8('freehold' = 1, 'leasehold' = 2, 'unknown' = 0),
    addr1 String,
    addr2 String,
    street LowCardinality(String),
    locality LowCardinality(String),
    town LowCardinality(String),
    district LowCardinality(String),
    county LowCardinality(String)
)
ENGINE = MergeTree
ORDER BY (postcode1, postcode2, addr1, addr2);

データの前処理と挿入

url 関数を使用して、データをClickHouseにストリーミングします。まず、一部の受信データを前処理する必要があります。これには以下が含まれます。

  • postcode を2つの異なるカラム - postcode1postcode2 に分割し、ストレージとクエリのために最適化します。
  • time フィールドを日付に変換します。これは0:00の時間だけを含むためです。
  • 分析に必要ないため、UUid フィールドを無視します。
  • typeduration をより読みやすい Enum フィールドに変換します。これは transform 関数を使用します。
  • is_new フィールドを単一文字列(Y/N)から UInt8 フィールドに変換し、0または1にします。
  • 最後の2つのカラムは全て同じ値(0)を持つため、削除します。

url 関数は、ウェブサーバーからのデータをClickHouseのテーブルにストリーミングします。次のコマンドは、uk_price_paid テーブルに500万行を挿入します。

INSERT INTO uk.uk_price_paid
SELECT
    toUInt32(price_string) AS price,
    parseDateTimeBestEffortUS(time) AS date,
    splitByChar(' ', postcode)[1] AS postcode1,
    splitByChar(' ', postcode)[2] AS postcode2,
    transform(a, ['T', 'S', 'D', 'F', 'O'], ['terraced', 'semi-detached', 'detached', 'flat', 'other']) AS type,
    b = 'Y' AS is_new,
    transform(c, ['F', 'L', 'U'], ['freehold', 'leasehold', 'unknown']) AS duration,
    addr1,
    addr2,
    street,
    locality,
    town,
    district,
    county
FROM url(
    'http://prod1.publicdata.landregistry.gov.uk.s3-website-eu-west-1.amazonaws.com/pp-complete.csv',
    'CSV',
    'uuid_string String,
    price_string String,
    time String,
    postcode String,
    a String,
    b String,
    c String,
    addr1 String,
    addr2 String,
    street String,
    locality String,
    town String,
    district String,
    county String,
    d String,
    e String'
) SETTINGS max_http_get_redirects=10;

データが挿入されるのを待ちます - ネットワーク速度によっては1分か2分かかるでしょう。

データの検証

挿入された行数を確認して、動作が正しかったか確かめます。

SELECT count()
FROM uk.uk_price_paid

このクエリが実行された時点で、データセットには27,450,499行がありました。ClickHouseでのテーブルのストレージサイズを確認してみましょう。

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

テーブルのサイズはわずか221.43 MiBです!

クエリの実行

データを分析するためにいくつかのクエリを実行します。

クエリ1. 年ごとの平均価格

SELECT
   toYear(date) AS year,
   round(avg(price)) AS price,
   bar(price, 0, 1000000, 80
)
FROM uk.uk_price_paid
GROUP BY year
ORDER BY year

クエリ2. ロンドンの年ごとの平均価格

SELECT
   toYear(date) AS year,
   round(avg(price)) AS price,
   bar(price, 0, 2000000, 100
)
FROM uk.uk_price_paid
WHERE town = 'LONDON'
GROUP BY year
ORDER BY year

2020年に住宅価格に何かが起こりました!しかし、それはおそらく驚くべきことではないでしょう...

クエリ3. 最も高価な地域

SELECT
    town,
    district,
    count() AS c,
    round(avg(price)) AS price,
    bar(price, 0, 5000000, 100)
FROM uk.uk_price_paid
WHERE date >= '2020-01-01'
GROUP BY
    town,
    district
HAVING c >= 100
ORDER BY price DESC
LIMIT 100

プロジェクションを使用したクエリの高速化

プロジェクションを使用することで、これらのクエリの速度を向上させることができます。このデータセットの例については、"Projections" を参照してください。

Playgroundでテスト

データセットは、オンラインプレイグラウンドでも利用可能です。