> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-parallel-read-in-order-multi-part.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> Explore ClickHouse con datos de precios de inmuebles del Reino Unido

# Consultas analíticas sobre datos de precios de inmuebles del Reino Unido

En este tutorial explorará ClickHouse con el <Tooltip headline="Conjunto de datos UK Property Price" tip="Contiene datos del HM Land Registry © Crown copyright and database right 2021. Estos datos se publican bajo la licencia Open Government Licence v3.0." cta="Visitar la fuente" href="https://www.gov.uk/government/statistical-data-sets/price-paid-data-downloads">conjunto de datos UK Property Price</Tooltip>, que recoge los precios pagados por bienes inmuebles en Inglaterra y Gales desde 1995.

<h2 id="prerequisites">
  Requisitos previos
</h2>

Para este tutorial, necesitará:

* Una [cuenta de ClickHouse Cloud](https://clickhouse.cloud/signUp?loc=docs-sample-datasets-uk-property-price) (300 \$ en créditos gratuitos al registrarse)
* [Un servicio de ClickHouse Cloud](/es/get-started/setup/cloud#1-create-a-clickhouse-service)

<Steps titleSize="h2">
  <Step title="Cree la tabla">
    1. Seleccione **SQL console** en el menú de la izquierda
    2. Haga clic en la pestaña **+** junto al icono de inicio para crear una nueva consulta
    3. En el editor SQL, escriba la siguiente consulta y haga clic en **Run**:

    ```sql theme={null}
    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);
    ```

    <Tip>
      Fíjese en `ORDER BY (postcode1, postcode2, addr1, addr2)`, que define cómo ClickHouse ordena
      los datos en disco. En ClickHouse, elegir una clave primaria eficaz que se ajuste a sus patrones de acceso es fundamental para el rendimiento de las consultas y la eficiencia del almacenamiento.
      Consulte ["Elegir una clave primaria"](/es/concepts/best-practices/choosing-a-primary-key) para obtener más información.
    </Tip>

    Consulte [https://www.gov.uk](https://www.gov.uk/guidance/about-the-price-paid-data) para ver una descripción de los campos.
  </Step>

  <Step title="Preprocese e inserte los datos" id="preprocess-import-data">
    Puede usar la función `url` para transmitir datos a ClickHouse. Antes es necesario realizar cierto preprocesamiento.
    La siguiente consulta inserta más de 25 millones de filas en la tabla `uk_price_paid` y realiza estos pasos de preprocesamiento:

    * divide `postcode` en dos columnas distintas, `postcode1` y `postcode2`, lo que resulta más conveniente para el almacenamiento y las consultas
    * convierte el campo `time` a fecha, ya que solo contiene la hora `00:00`
    * ignora el campo [UUID](/es/reference/data-types/uuid) porque no es necesario para el análisis
    * transforma `type` y `duration` en campos `Enum` más legibles mediante la función [transform](/es/reference/functions/regular-functions/other-functions#transform)
    * transforma el campo `is_new` de una cadena de un solo carácter (`Y`/`N`) a un campo [UInt8](/es/reference/data-types/int-uint) con valor 0 o 1
    * elimina las dos últimas columnas, ya que todas sus entradas tienen el mismo valor (0)

    ```sql theme={null}
    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;
    ```

    Espere a que se inserten los datos; el proceso tardará uno o dos minutos, según la velocidad de la red.
  </Step>

  <Step title="Valide los datos" id="validate-data">
    Comprobemos que ha funcionado consultando cuántas filas se han insertado:

    ```sql theme={null}
    SELECT count()
    FROM uk.uk_price_paid
    ```

    Cuando se ejecutó esta consulta, el conjunto de datos tenía 27.450.499 filas. Veamos cuánto espacio de almacenamiento ocupa la tabla en ClickHouse:

    ```sql theme={null}
    SELECT formatReadableSize(total_bytes)
    FROM system.tables
    WHERE name = 'uk_price_paid'
    ```

    Observe que el tamaño de la tabla es de apenas 221.43 MiB, mientras que el conjunto de datos original sin comprimir ocupa aproximadamente 4 GiB.
    ClickHouse ofrece una excelente compresión de datos de forma predeterminada, pero también le permite [ajustar aún más la compresión de cada columna](/es/reference/statements/create/table#column_compression_codec) si lo necesita.
  </Step>

  <Step title="Ejecute algunas consultas" id="run-queries">
    Con los datos ya cargados, pruebe las siguientes consultas para hacerse una idea de lo rápido que las consultas analíticas devuelven resultados.
    La siguiente consulta calcula el precio medio por año con todos los datos:

    ```sql theme={null}
    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
    ```

    La siguiente consulta aplica un filtro para obtener el precio medio por año en Londres:

    ```sql theme={null}
    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
    ```

    ¡Parece que algo les pasó a los precios de la vivienda en 2020! Aunque probablemente no sea ninguna sorpresa...

    La siguiente consulta obtiene los barrios más caros:

    ```sql theme={null}
    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
    ```
  </Step>
</Steps>

<h2 id="next-steps">
  Próximos pasos
</h2>

En este tutorial creaste una tabla, preprocesaste y cargaste en ClickHouse los datos de precios de inmuebles del Reino Unido y, después,
ejecutaste algunas consultas analíticas sobre esos datos.

A continuación, puedes:

* Aprender a acelerar estas consultas con proyecciones. Consulta ["Proyecciones"](/es/concepts/features/projections/projections) para ver ejemplos que utilizan el mismo conjunto de datos.
* Obtener más información sobre los [conceptos fundamentales](/es/concepts/core-concepts) de ClickHouse
* Explorar las [buenas prácticas](/es/concepts/best-practices) de ClickHouse
* Explorar otros [conjuntos de datos de ejemplo](/es/get-started/sample-datasets)