> ## 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.

> Découvrez ClickHouse à travers les données sur les prix de l’immobilier au Royaume-Uni

# Requêtes analytiques sur les données des prix de l’immobilier au Royaume-Uni

Dans ce tutoriel, vous allez découvrir ClickHouse à l’aide du <Tooltip headline="UK Property Price dataset" tip="Contient des données du HM Land Registry © Crown copyright and database right 2021. Ces données sont publiées sous licence Open Government Licence v3.0." cta="Consulter la source" href="https://www.gov.uk/government/statistical-data-sets/price-paid-data-downloads">UK Property Price dataset</Tooltip>, qui recense les prix de vente des biens immobiliers en Angleterre et au pays de Galles depuis 1995.

<h2 id="prerequisites">
  Prérequis
</h2>

Pour ce tutoriel, vous aurez besoin de :

* Un [compte ClickHouse Cloud](https://clickhouse.cloud/signUp?loc=docs-sample-datasets-uk-property-price) (300 \$ de crédits offerts à l'inscription)
* [Un service ClickHouse Cloud](/fr/get-started/setup/cloud#1-create-a-clickhouse-service)

<Steps titleSize="h2">
  <Step title="Créez la table">
    1. Sélectionnez **console SQL** dans le menu de gauche
    2. Cliquez sur l'onglet **+** à côté de l'icône d'accueil pour créer une nouvelle requête
    3. Dans l'éditeur SQL, saisissez la requête suivante, puis cliquez sur **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>
      Notez la clause `ORDER BY (postcode1, postcode2, addr1, addr2)`, qui définit la manière dont ClickHouse trie
      les données sur disque. Dans ClickHouse, choisir une clé primaire efficace, adaptée à vos modèles d'accès, est essentiel pour les performances des requêtes et l'efficacité du stockage.
      Consultez ["Choisir une clé primaire"](/fr/concepts/best-practices/choosing-a-primary-key) pour plus de détails.
    </Tip>

    Consultez [https://www.gov.uk](https://www.gov.uk/guidance/about-the-price-paid-data) pour une description des champs.
  </Step>

  <Step title="Prétraitement et insertion des données" id="preprocess-import-data">
    Vous pouvez utiliser la fonction `url` pour charger des données en flux dans ClickHouse. Un prétraitement est toutefois nécessaire au préalable.
    La requête ci-dessous insère plus de 25 millions de lignes dans la table `uk_price_paid` et effectue les étapes de prétraitement suivantes :

    * découpe le champ `postcode` en deux colonnes distinctes, `postcode1` et `postcode2`, ce qui est plus efficace pour le stockage et les requêtes
    * convertit le champ `time` en date, puisqu'il ne contient que l'heure `00:00`
    * ignore le champ [UUID](/fr/reference/data-types/uuid), inutile pour l'analyse
    * transforme `type` et `duration` en champs `Enum` plus lisibles à l'aide de la fonction [transform](/fr/reference/functions/regular-functions/other-functions#transform)
    * convertit le champ `is_new`, une chaîne d'un seul caractère (`Y`/`N`), en un champ [UInt8](/fr/reference/data-types/int-uint) valant 0 ou 1
    * supprime les deux dernières colonnes, qui contiennent toutes la même valeur (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;
    ```

    Attendez la fin de l'insertion des données, qui prendra une à deux minutes selon la vitesse de votre réseau.
  </Step>

  <Step title="Vérifier les données" id="validate-data">
    Vérifions que l'opération a réussi en comptant le nombre de lignes insérées :

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

    Au moment de l'exécution de cette requête, le jeu de données comptait 27 450 499 lignes. Voyons quel espace de stockage occupe la table dans ClickHouse :

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

    Notez que la taille de la table n'est que de 221,43 MiB, alors que le jeu de données d'origine non compressé pèse environ 4 GiB.
    ClickHouse offre nativement une excellente compression des données, tout en vous permettant d'[affiner la compression colonne par colonne](/fr/reference/statements/create/table#column_compression_codec) si nécessaire.
  </Step>

  <Step title="Exécutez quelques requêtes" id="run-queries">
    Une fois les données chargées, exécutez les requêtes suivantes pour vous faire une idée de la rapidité avec laquelle les requêtes analytiques renvoient leurs résultats.
    La requête ci-dessous calcule le prix moyen par an sur l'ensemble des données :

    ```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 requête ci-dessous applique un filter pour calculer le prix moyen par an à 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
    ```

    On dirait qu'il s'est passé quelque chose avec les prix de l'immobilier en 2020 ! Mais ce n'est probablement pas vraiment une surprise...

    La requête ci-dessous identifie les quartiers les plus chers :

    ```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">
  Étapes suivantes
</h2>

Dans ce tutoriel, vous avez créé une table, prétraité et chargé dans ClickHouse des données sur les prix de l’immobilier au Royaume-Uni, puis
exécuté quelques requêtes analytiques sur ces données.

Vous pouvez maintenant :

* Découvrir comment accélérer ces requêtes à l’aide de projections. Voir [« Projections »](/fr/concepts/features/projections/projections) pour des exemples utilisant le même jeu de données.
* Approfondir les [concepts fondamentaux](/fr/concepts/core-concepts) de ClickHouse
* Explorer les [bonnes pratiques](/fr/concepts/best-practices) de ClickHouse
* Explorer d’autres [jeux de données d’exemple](/fr/get-started/sample-datasets)