lab5

Цель работы: получение практических навыков навыков работы с колоночной базой данных

ClickHouse.

Выполнение:

ClickHouse – это высокопроизводительная колоночная система управления базами данных

(СУБД) SQL для онлайн-аналитической обработки (OLAP). Эта БД предназначена для задач,

связанных с аналитической обработкой данных, и не подходит там, где основная часть операций — обработка транзакций. Результат загрузки образа БД представлен на рисунке 1.

Вариант 10. Автосалон

Существует фирма, торгующая автомобилями. Автомобиль выступает в качестве товара, и, как товар имеет определенные характеристики: код товара, страна-изготовитель,

марка автомобиля, модель, наличие на складе (да, нет, когда будет), цена. Кроме того, на каждый автомобиль имеются технические данные: фирма-производитель, тип кузова,

количество дверей, количество мест, тип двигателя, расположение двигателя, рабочий объем двигателя, мощность двигателя, наличие опций, количество ведущих колес, расход топлива,

время разгона до 100км\ч. Фирма имеет своих клиентов — покупателей автомобилей,

сведения о которых хранят в течение определенного времени. Информация о клиенте: код клиента, паспортные данные (серия, номер), домашний адрес, номер телефона. В заказе указывается информация об автомобиле, клиенте, продавце, способе оплаты, дате продажи.

Информация о продавце-консультанте: паспортные данные, номер телефона, заработная плата.

Листинг 1. Таблица автомобилей.

CREATE TABLE cars ( product_code String, country_of_origin String, brand String,

model String, stock_status String, price Float64, manufacturer String, body_type String, door_count Int32, seat_count Int32, engine_type String, engine_position String,

engine_displacement Float64, engine_power Int32,

options String, driven_wheels Int32, fuel_consumption Float64, acceleration_0_100 Float64

) ENGINE = MergeTree() ORDER BY product_code;

INSERT INTO cars VALUES

('P001', 'Germany', 'Audi', 'A4', 'In stock', 35000, 'Volkswagen Group', 'Sedan', 4, 5, 'Petrol', 'Front', 2.0, 150, 'ABS,Airbags', 4, 6.5, 8.5), ('P002', 'Japan', 'Toyota', 'Camry', 'Expected', 24000, 'Toyota Motor Corporation', 'Sedan', 4, 5, 'Hybrid', 'Front', 2.5, 200, 'ABS,Airbags,Navigation', 4, 4.8, 7.0),

('P003', 'USA', 'Ford', 'Mustang', 'In stock', 27000, 'Ford Motor Company', 'Coupe', 2, 4, 'Petrol', 'Rear', 5.0, 450, 'Leather,Navigation', 4, 8.0, 5.5),

('P004', 'Germany', 'BMW', 'X3', 'No', 41000, 'BMW AG', 'SUV', 4, 5, 'Diesel', 'Front', 3.0, 250, 'Sunroof,Leather', 4, 7.2, 6.4),

('P005', 'South Korea', 'Kia', 'Sorento', 'In stock', 29000, 'Hyundai', 'SUV', 4, 5, 'Petrol', 'Front', 2.2, 180, 'Airbags,Rearview Camera', 4, 8.0, 9.0),

('P006', 'France', 'Peugeot', '308', 'Expected', 20000, 'PSA Peugeot Citroën', 'Hatchback', 5, 5, 'Petrol', 'Front', 1.6, 120, 'Airbags', 4, 5.8, 10.0),

('P007', 'Japan', 'Honda', 'Civic', 'In stock', 22000, 'Honda Motor Co.', 'Sedan', 4, 5, 'Petrol', 'Front', 1.8, 140, 'Airbags,Navigation', 4, 6.0, 8.8),

('P008', 'Germany', 'Mercedes-Benz', 'C-Class', 'In stock', 42000, 'Daimler AG', 'Sedan', 4, 5, 'Diesel', 'Front', 2.0, 190, 'Leather,Sunroof', 4, 6.7, 7.5),

('P009', 'Italy', 'Fiat', '500', 'No', 15000, 'Fiat Chrysler', 'Hatchback', 3, 4, 'Petrol', 'Front', 1.2, 85, 'Airbags', 4, 5.0, 12.0), ('P010', 'USA', 'Chevrolet', 'Malibu', 'Expected', 23000, 'General Motors', 'Sedan', 4, 5, 'Petrol', 'Front', 1.8, 140, 'Airbags,Navigation', 4, 6.3, 8.9);

Листинг 2. Таблица клиентов.

CREATE TABLE clients ( client_code String, passport_series String, passport_number String, address String,

phone String

) ENGINE = MergeTree() ORDER BY client_code;

INSERT INTO clients VALUES

('C001', 'Иванов Иван Иванович', '1234567890', 'ivanov@example.com', 'Москва, ул. Ленина, д.1'),

('C002', 'Петров Петр Петрович', '0987654321', 'petrov@example.com', 'Санкт-Петербург, наб. реки Мойки, д.5'),

('C003', 'Сидорова Мария Ивановна', '5551234567', 'sidorova@example.com', 'Новосибирск, ул. Октябрьская, д.10'), ('C004', 'Кузнецов Алексей Викторович', '4449876543', 'kuznecov@example.com', 'Екатеринбург, ул. Карла Маркса, д.3'), ('C005', 'Лебедева Ольга Сергеевна', '3334567890', 'lebedeva@example.com', 'Казань, ул. Баумана, д.12'),

('C006', 'Морозов Дмитрий Алексеевич', '2229876543', 'morozov@example.com', 'Ростов-на-Дону, пр. Чехова, д.8'),

('C007', 'Федорова Елена Ивановна', '1116549870', 'fedorova@example.com', 'Самара, ул. Гагарина, д.7'), ('C008', 'Николаев Владимир Петрович', '6661234567', 'nikolaev@example.com', 'Уфа, ул. Ленина, д.15'), ('C009', 'Григорьева Анастасия Викторовна', '7776543210',

'grigorieva@example.com', 'Краснодар, ул. Красная, д.20'), ('C010', 'Баранов Михаил Сергеевич', '8889876543', 'baranov@example.com', 'Воронеж, ул. Советская, д.25');

Листинг 3. Таблица заказов/продаж

CREATE TABLE sales ( sale_id String, product_code String, client_code String, seller_id String, payment_method String, sale_date Date

Листинг 4. Таблица продавцов-консультантов

CREATE TABLE salespersons ( seller_id String, passport_series String, passport_number String, phone String,

salary Float64

) ENGINE = MergeTree() ORDER BY seller_id;

INSERT INTO salespersons VALUES

('SP001', '77', '123456', '111-222-33-44', 50000.0), ('SP002', '78', '654321', '222-333-44-55', 55000.0), ('SP003', '79', '789012', '333-444-55-66', 52000.0), ('SP004', '80', '210987', '444-555-66-77', 48000.0), ('SP005', '81', '345678', '555-666-77-88', 51000.0), ('SP006', '82', '987654', '666-777-88-99', 53000.0), ('SP007', '83', '456789', '777-888-99-00', 49000.0), ('SP008', '84', '654987', '888-999-00-11', 56000.0), ('SP009', '85', '123789', '999-000-11-22', 47000.0), ('SP010', '86', '987321', '000-111-22-33', 52000.0);

Рисунок 3 - Результат выполнения запроса

Найти модели автомобилей с двигателем более 2.0 и расходом топлива менее 7.0.

Запрос представлен в листинге 8, а результат на рисунке 4.

Листинг 8. Выбрать модели с двигателем более 2.0 и расходом топлива менее 7.0

SELECT brand, model, engine_displacement, fuel_consumption FROM cars

WHERE engine_displacement > 2.0 AND fuel_consumption < 7.0;

Рисунок 4 - Результат выполнения запроса

Нахождение всех продаж с датой после 2023-07-17, включая информацию о продавце и клиенте. Запрос представлен в листинге 9, а результат на рисунке 5.

Листинг 9. Найти все продажи с датой после 2023-07-17, включая информацию о продавце и клиенте

SELECT s.sale_id, s.sale_date, c.passport_series AS client_name, sp.salary

FROM sales s

JOIN clients c ON s.client_code = c.client_code JOIN salespersons sp ON s.seller_id = sp.seller_id WHERE s.sale_date > '2023-07-17';

Рисунок 5 - Результат выполнения запроса

Подсчет количества продаж по каждому продавцу. Запрос представлен в листинге 10,

а результат на рисунке 6.

Листинг 10. Подсчитать количество продаж по каждому продавцу

SELECT sp.seller_id, COUNT(*) AS total_sales

FROM sales s

JOIN salespersons sp ON s.seller_id = sp.seller_id

GROUP BY sp.seller_id;

Рисунок 6 - Результат выполнения запроса

Нахождение автомобилей, у которых опции содержат "Leather" или "Sunroof", и цена менее 40,000. Запрос представлен в листинге 11, а результат на рисунке 7.

Листинг 10. Найти автомобили, у которых опции содержат "Leather" или "Sunroof", и цена менее 40,000

SELECT product_code, brand, model, options, price FROM cars

WHERE (options LIKE '%Leather%' OR options LIKE '%Sunroof%') AND price < 40000;

Рисунок 7 - Результат выполнения запроса

Вывод

В ходе выполнения лабораторной работы были изучены основы работы с базой данных ClickHouse, включая создание таблиц, вставку данных и выполнение различных типов запросов. Были сформированы таблицы для хранения информации о автомобилях,

клиентах, продажах и продавцах, а также выполнены запросы различной сложности: от простых выборок до слложных запросов. В результате выполненной работы подтвердилось умение эффективно использовать возможности ClickHouse для хранения и анализа больших объёмов данных. Были продемонстрированы навыки построения запросов для получения необходимой информации, фильтрации, группировки и объединения данных. Также изучены особенности работы с строковыми функциями и сортировкой данных. Эти знания являются основой для дальнейшего освоения работы с высокопроизводительными аналитическими системами и позволяют применять запросы для решения практических задач по анализу и управлению данными в реальных проектах.

•