Набор данных о ценах на недвижимость в Великобритании

Эти данные содержат цены, уплаченные за объекты недвижимости в Англии и Уэльсе. Данные доступны с 1995 года, а размер набора данных в несжатом виде составляет около 4 GiB (что займет всего около 278 MiB в ClickHouse).

• Источник: https://www.gov.uk/government/statistical-data-sets/price-paid-data-downloads
• Описание полей: https://www.gov.uk/guidance/about-the-price-paid-data
• Содержит данные HM Land Registry © Авторские права Короны и права на базу данных 2021 года. Эти данные лицензированы в рамках Лицензии открытого правительства v3.0.

Создание таблицы

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);

Предобработка и вставка данных

Мы будем использовать функцию url для потоковой передачи данных в ClickHouse. Сначала нам нужно предварительно обработать некоторые входящие данные, включая:

• разделение postcode на два разных столбца - postcode1 и postcode2, что лучше для хранения и запросов
• конвертацию поля time в дату, так как оно содержит только время 00:00
• игнорирование поля UUid, поскольку оно не нужно для анализа
• преобразование type и duration в более читабельные поля Enum с помощью функции transform
• преобразование поля is_new из строки одного символа (Y/N) в поле UInt8 со значением 0 или 1
• исключение последних двух столбцов, так как они все имеют одно и то же значение (которое равно 0)

Функция url передает данные с веб-сервера в вашу таблицу ClickHouse. Следующая команда вставляет 5 миллионов строк в таблицу uk_price_paid:

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;

Подождите, пока данные вставляются - это займет одну-две минуты в зависимости от скорости сети.

Проверка данных

Давайте проверим, все ли прошло успешно, и посмотрим, сколько строк было вставлено:

SELECT count()
FROM uk.uk_price_paid

На момент выполнения этого запроса в наборе данных было 27,450,499 строк. Давайте посмотрим, каков размер хранения таблицы в ClickHouse:

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

Обратите внимание, что размер таблицы составляет всего 221.43 MiB!

Запуск некоторых запросов

Давайте запустим несколько запросов для анализа данных:

Запрос 1. Средняя цена за год

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

Запрос 2. Средняя цена за год в Лондоне

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

Что-то произошло с ценами на жилье в 2020 году! Но это, вероятно, не сюрприз...

Запрос 3. Самые дорогие районы

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

Ускорение запросов с помощью проекций

Мы можем ускорить эти запросы с помощью проекций. Смотрите "Проекции" для примеров с этим набором данных.

Протестируйте это в песочнице

Набор данных также доступен в Онлайн Песочнице.