Set up docs MCPGran 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:
python -m venv .venv
source .venv/bin/activateAhora vamos a instalar chDB. Asegúrate de tener la versión 2.0.2 o una posterior:
pip install "chdb>=2.0.2"Ahora vamos a instalar IPython:
pip install ipythonVamos a usar ipython para ejecutar los comandos del resto de la guía, que puedes iniciar con:
ipythonTambién 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:
import chdbAl 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:
query = """
DESCRIBE s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
ParquetMetadata
)
SETTINGS describe_compact_output=1
"""
chdb.query(query, 'TabSeparated')num_columns UInt64
num_rows UInt64
num_row_groups UInt64
format_version String
metadata_size UInt64
total_uncompressed_size UInt64
total_compressed_size UInt64
columns Array(Tuple(name String, path String, max_definition_level UInt64, max_repetition_level UInt64, physical_type String, logical_type String, compression String, total_uncompressed_size UInt64, total_compressed_size UInt64, space_saved String, encodings Array(String)))
row_groups Array(Tuple(num_columns UInt64, num_rows UInt64, total_uncompressed_size UInt64, total_compressed_size UInt64, columns Array(Tuple(name String, path String, total_compressed_size UInt64, total_uncompressed_size UInt64, have_statistics Bool, statistics Tuple(num_values Nullable(UInt64), null_count Nullable(UInt64), distinct_count Nullable(UInt64), min Nullable(String), max Nullable(String))))))Veamos ahora los metadatos de este archivo.
columns y row_groups contienen arrays de tuplas con muchas propiedades, así que por ahora los omitiremos.
query = """
SELECT * EXCEPT(columns, row_groups)
FROM s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
ParquetMetadata
)
"""
chdb.query(query, 'Vertical')Row 1:
──────
num_columns: 15
num_rows: 41905631
num_row_groups: 42
format_version: 2.6
metadata_size: 79730
total_uncompressed_size: 14615827169
total_compressed_size: 9272262304A 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:
query = """
WITH rowGroups AS (
SELECT rg
FROM s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet',
ParquetMetadata
)
ARRAY JOIN row_groups AS rg
LIMIT 1
)
SELECT tupleElement(c, 'name') AS name, tupleElement(c, 'total_compressed_size') AS total_compressed_size,
tupleElement(c, 'total_uncompressed_size') AS total_uncompressed_size,
tupleElement(tupleElement(c, 'statistics'), 'min') AS min,
tupleElement(tupleElement(c, 'statistics'), 'max') AS max
FROM rowGroups
ARRAY JOIN tupleElement(rg, 'columns') AS c
"""
chdb.query(query, 'DataFrame') name total_compressed_size total_uncompressed_size min max
0 review_date 493 646 16455 16472
1 marketplace 66 64 US US
2 customer_id 5207967 7997207 10049 53096413
3 review_id 14748425 17991290 R10004U8OQDOGE RZZZUTBAV1RYI
4 product_id 8003456 13969668 0000032050 BT00DDVMVQ
5 product_parent 5758251 7974737 645 999999730
6 product_title 41068525 63355320 ! Small S 1pc Black 1pc Navy (Blue) Replacemen... 🌴 Vacation On The Beach
7 product_category 1726 1815 Apparel Pet Products
8 star_rating 369036 374046 1 5
9 helpful_votes 538940 1022990 0 3440
10 total_votes 610902 1080520 0 3619
11 vine 11426 125999 0 1
12 verified_purchase 102634 125999 0 1
13 review_headline 16538189 27634740 🤹🏽♂️🎤Great product. Practice makes perfect. D...
14 review_body 145886383 232457911 🚅 +🐧=💥 😀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:
query = """
SELECT star_rating, count() AS count, formatReadableQuantity(count)
FROM s3(
'https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2015.snappy.parquet'
)
GROUP BY ALL
ORDER BY star_rating
"""
chdb.query(query, 'DataFrame') star_rating count formatReadableQuantity(count())
0 1 3253070 3.25 million
1 2 1865322 1.87 million
2 3 3130345 3.13 million
3 4 6578230 6.58 million
4 5 27078664 27.08 millionCuriosamente, 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.