ニューヨークのタクシーデータセットを用いた地理空間分析

このチュートリアルでは、ClickHouse を使って大量のデータに対して分析クエリを実行する方法を学びます。あわせて、Dictionary を使ってデータを拡充する方法や、結合クエリの書き方も紹介します。

前提条件

このチュートリアルを進めるには、以下が必要です。

ClickHouse Cloud アカウント (サインアップ時に 300 ドル分の無料クレジットが付与されます)
ClickHouse Cloud サービス

テーブルを作成する

このチュートリアルでは、ニューヨーク市のタクシーデータセットを使用します。このデータセットには数百万件のタクシー乗車に関する詳細情報が含まれており、チップ額、通行料、支払い方法などのカラムがあります。

左側のメニューから SQL console を選択します
ホームアイコンの横にある + タブをクリックして、新しいクエリを作成します
SQL エディタに次のクエリを入力し、Run をクリックします：

Expandable

CREATE TABLE trips
(
    `trip_id` UInt32,
    `vendor_id` Enum8('1' = 1, '2' = 2, '3' = 3, '4' = 4, 'CMT' = 5, 'VTS' = 6, 'DDS' = 7, 'B02512' = 10, 'B02598' = 11, 'B02617' = 12, 'B02682' = 13, 'B02764' = 14, '' = 15),
    `pickup_date` Date,
    `pickup_datetime` DateTime,
    `dropoff_date` Date,
    `dropoff_datetime` DateTime,
    `store_and_fwd_flag` UInt8,
    `rate_code_id` UInt8,
    `pickup_longitude` Float64,
    `pickup_latitude` Float64,
    `dropoff_longitude` Float64,
    `dropoff_latitude` Float64,
    `passenger_count` UInt8,
    `trip_distance` Float64,
    `fare_amount` Float32,
    `extra` Float32,
    `mta_tax` Float32,
    `tip_amount` Float32,
    `tolls_amount` Float32,
    `ehail_fee` Float32,
    `improvement_surcharge` Float32,
    `total_amount` Float32,
    `payment_type` Enum8('UNK' = 0, 'CSH' = 1, 'CRE' = 2, 'NOC' = 3, 'DIS' = 4),
    `trip_type` UInt8,
    `pickup` FixedString(25),
    `dropoff` FixedString(25),
    `cab_type` Enum8('yellow' = 1, 'green' = 2, 'uber' = 3),
    `pickup_nyct2010_gid` Int8,
    `pickup_ctlabel` Float32,
    `pickup_borocode` Int8,
    `pickup_ct2010` String,
    `pickup_boroct2010` String,
    `pickup_cdeligibil` String,
    `pickup_ntacode` FixedString(4),
    `pickup_ntaname` String,
    `pickup_puma` UInt16,
    `dropoff_nyct2010_gid` UInt8,
    `dropoff_ctlabel` Float32,
    `dropoff_borocode` UInt8,
    `dropoff_ct2010` String,
    `dropoff_boroct2010` String,
    `dropoff_cdeligibil` String,
    `dropoff_ntacode` FixedString(4),
    `dropoff_ntaname` String,
    `dropoff_puma` UInt16
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(pickup_date)
ORDER BY pickup_datetime;

データを挿入する

テーブルを作成したら、次に S3 上の CSV ファイルからニューヨーク市のタクシーデータを追加します。次のコマンドは、S3 上の 2 つのファイル trips_1.tsv.gz と trips_2.tsv.gz から、約 2,000,000 行を trips テーブルに挿入します。

Expandable

INSERT INTO trips
SELECT * FROM s3(
    'https://datasets-documentation.s3.eu-west-3.amazonaws.com/nyc-taxi/trips_{1..2}.gz',
    'TabSeparatedWithNames', "
    `trip_id` UInt32,
    `vendor_id` Enum8('1' = 1, '2' = 2, '3' = 3, '4' = 4, 'CMT' = 5, 'VTS' = 6, 'DDS' = 7, 'B02512' = 10, 'B02598' = 11, 'B02617' = 12, 'B02682' = 13, 'B02764' = 14, '' = 15),
    `pickup_date` Date,
    `pickup_datetime` DateTime,
    `dropoff_date` Date,
    `dropoff_datetime` DateTime,
    `store_and_fwd_flag` UInt8,
    `rate_code_id` UInt8,
    `pickup_longitude` Float64,
    `pickup_latitude` Float64,
    `dropoff_longitude` Float64,
    `dropoff_latitude` Float64,
    `passenger_count` UInt8,
    `trip_distance` Float64,
    `fare_amount` Float32,
    `extra` Float32,
    `mta_tax` Float32,
    `tip_amount` Float32,
    `tolls_amount` Float32,
    `ehail_fee` Float32,
    `improvement_surcharge` Float32,
    `total_amount` Float32,
    `payment_type` Enum8('UNK' = 0, 'CSH' = 1, 'CRE' = 2, 'NOC' = 3, 'DIS' = 4),
    `trip_type` UInt8,
    `pickup` FixedString(25),
    `dropoff` FixedString(25),
    `cab_type` Enum8('yellow' = 1, 'green' = 2, 'uber' = 3),
    `pickup_nyct2010_gid` Int8,
    `pickup_ctlabel` Float32,
    `pickup_borocode` Int8,
    `pickup_ct2010` String,
    `pickup_boroct2010` String,
    `pickup_cdeligibil` String,
    `pickup_ntacode` FixedString(4),
    `pickup_ntaname` String,
    `pickup_puma` UInt16,
    `dropoff_nyct2010_gid` UInt8,
    `dropoff_ctlabel` Float32,
    `dropoff_borocode` UInt8,
    `dropoff_ct2010` String,
    `dropoff_boroct2010` String,
    `dropoff_cdeligibil` String,
    `dropoff_ntacode` FixedString(4),
    `dropoff_ntaname` String,
    `dropoff_puma` UInt16
") SETTINGS input_format_try_infer_datetimes = 0

データの挿入が完了するまで待ちます。約 150MB のデータがダウンロードされます。挿入が完了したら、trips テーブルの行数を確認します。

SELECT count() FROM trips

結果は 1,999,657 行になるはずです

データを分析する

データの読み込みが完了したら、クエリを実行してデータを分析できます。

チップの平均額を計算します:

SELECT round(avg(tip_amount), 2) FROM trips

乗客数ごとの平均料金を計算します:

SELECT
    passenger_count,
    ceil(avg(total_amount),2) AS average_total_amount
FROM trips
GROUP BY passenger_count

地区ごとの1日あたりの乗車数を計算します:

SELECT
  pickup_date,
  pickup_ntaname,
  SUM(1) AS number_of_trips
FROM trips
GROUP BY pickup_date, pickup_ntaname
ORDER BY pickup_date ASC

各乗車記録の所要時間を分単位で計算し、所要時間ごとに結果をグループ化します:

SELECT
  avg(tip_amount) AS avg_tip,
  avg(fare_amount) AS avg_fare,
  avg(passenger_count) AS avg_passenger,
  count() AS count,
  truncate(date_diff('second', pickup_datetime, dropoff_datetime)/60) as trip_minutes
FROM trips
WHERE trip_minutes > 0
GROUP BY trip_minutes
ORDER BY trip_minutes DESC

各地区の乗車数を時間帯別に表示します:

SELECT
    pickup_ntaname,
    toHour(pickup_datetime) as pickup_hour,
    SUM(1) AS pickups
FROM trips
WHERE pickup_ntaname != ''
GROUP BY pickup_ntaname, pickup_hour
ORDER BY pickup_ntaname, pickup_hour

辞書を作成する

次に、ニューヨーク市のすべての地区を収録した CSV ファイルをソースとして、ロケーション ID と NYC の区名を対応付ける taxi_zone_dictionary という名前の Dictionary (メモリ上に保持されるキー・バリューのペアのマッピング) を作成します。これらのロケーション ID は、trips テーブルの pickup_nyct2010_gid カラムおよび dropoff_nyct2010_gid カラムに対応しています。以下は、使用する CSV ファイルの一部をテーブル形式で示したものです。ファイル内の LocationID カラムは、trips テーブルの pickup_nyct2010_gid カラムおよび dropoff_nyct2010_gid カラムに対応しています。

LocationID	Borough	Zone	service_zone
1	EWR	Newark Airport	EWR
2	Queens	Jamaica Bay	Boro Zone
3	Bronx	Allerton/Pelham Gardens	Boro Zone
4	Manhattan	Alphabet City	Yellow Zone
5	Staten Island	Arden Heights	Boro Zone

次の SQL コマンドを実行して taxi_zone_dictionary という名前の Dictionary を作成し、S3 上の CSV ファイルからデータを投入します。ファイルの URL は https://datasets-documentation.s3.eu-west-3.amazonaws.com/nyc-taxi/taxi_zone_lookup.csv です。

CREATE DICTIONARY taxi_zone_dictionary
(
  `LocationID` UInt16 DEFAULT 0,
  `Borough` String,
  `Zone` String,
  `service_zone` String
)
PRIMARY KEY LocationID
SOURCE(HTTP(URL 'https://datasets-documentation.s3.eu-west-3.amazonaws.com/nyc-taxi/taxi_zone_lookup.csv' FORMAT 'CSVWithNames'))
LIFETIME(MIN 0 MAX 0)
LAYOUT(HASHED_ARRAY())

ここでは、S3 バケットへの不要なトラフィックを避けるため、LIFETIME を 0 に設定して自動更新を無効にしています。用途によっては、別の値を設定してもかまいません。詳細については、LIFETIME を使用した Dictionary データの更新を参照してください。

正しく動作したことを確認します。次のクエリは 265 行 (地区ごとに 1 行) を返すはずです。

SELECT * FROM taxi_zone_dictionary

Dictionaryを使ってクエリを実行する

Dictionary から値を取得するには、dictGet 関数 (またはそのバリエーション) を使用します。 Dictionary の名前、取得したい値、キー (この例では taxi_zone_dictionary の LocationID カラム) を渡すと、対応する値が返されます。例えば、次のクエリは LocationID が 132 (JFK 空港に相当) の Borough を返します。

SELECT dictGet('taxi_zone_dictionary', 'Borough', 132)

JFK はクイーンズにあります。値の取得にかかる時間が実質的に 0 であることに注目してください。

┌─dictGet('taxi_zone_dictionary', 'Borough', 132)─┐
│ Queens                                          │
└─────────────────────────────────────────────────┘

1 rows in set. Elapsed: 0.004 sec.

キーが Dictionary に存在するかどうかを確認するには、dictHas 関数を使用します。たとえば、次のクエリは 1 (ClickHouse では “true” を意味します) を返します。

SELECT dictHas('taxi_zone_dictionary', 132)

次のクエリでは、4567 は Dictionary 内の LocationID の値として存在しないため、0 が返されます。

SELECT dictHas('taxi_zone_dictionary', 4567)

クエリ内で区 (borough) の名前を取得するには、dictGet 関数を使用します。例：

SELECT
  count(1) AS total,
  dictGetOrDefault('taxi_zone_dictionary','Borough', toUInt64(pickup_nyct2010_gid), 'Unknown') AS borough_name
FROM trips
WHERE dropoff_nyct2010_gid = 132 OR dropoff_nyct2010_gid = 138
GROUP BY borough_name
ORDER BY total DESC

このクエリは、LaGuardia 空港または JFK 空港で降車したタクシーの乗車数を行政区 (borough) ごとに集計します。結果は次のとおりです。乗車地点の地区 (neighborhood) が不明な乗車記録がかなり多いことがわかります。

┌─total─┬─borough_name──┐
│ 23683 │ Unknown       │
│  7053 │ Manhattan     │
│  6828 │ Brooklyn      │
│  4458 │ Queens        │
│  2670 │ Bronx         │
│   554 │ Staten Island │
│    53 │ EWR           │
└───────┴───────────────┘

7 rows in set. Elapsed: 0.019 sec. Processed 2.00 million rows, 4.00 MB (105.70 million rows/s., 211.40 MB/s.)

結合を実行する

最後に、taxi_zone_dictionary と trips テーブルを結合するクエリをいくつか作成してみましょう。まずは、先ほどの空港に関するクエリと同様の処理を行う、シンプルな JOIN から始めます。

SELECT
    count(1) AS total,
    Borough
FROM trips
JOIN taxi_zone_dictionary ON toUInt64(trips.pickup_nyct2010_gid) = taxi_zone_dictionary.LocationID
WHERE dropoff_nyct2010_gid = 132 OR dropoff_nyct2010_gid = 138
GROUP BY Borough
ORDER BY total DESC

レスポンスは dictGet クエリの結果と同じです。

┌─total─┬─Borough───────┐
│  7053 │ Manhattan     │
│  6828 │ Brooklyn      │
│  4458 │ Queens        │
│  2670 │ Bronx         │
│   554 │ Staten Island │
│    53 │ EWR           │
└───────┴───────────────┘

6 rows in set. Elapsed: 0.034 sec. Processed 2.00 million rows, 4.00 MB (59.14 million rows/s., 118.29 MB/s.)

上記の JOIN クエリの出力は、dictGetOrDefault を使用した直前のクエリと同じであることがわかります (ただし、Unknown の値は含まれていません) 。内部的には、ClickHouse は taxi_zone_dictionary Dictionary に対して dictGet 関数を呼び出していますが、SQL 開発者にとっては JOIN 構文のほうがなじみがあるでしょう。

このクエリは、チップ額が最も高い 1000 件の乗車記録の行を返し、各行を Dictionary と内部結合します。

SELECT *
FROM trips
JOIN taxi_zone_dictionary
ON trips.dropoff_nyct2010_gid = taxi_zone_dictionary.LocationID
WHERE tip_amount > 0
ORDER BY tip_amount DESC
LIMIT 1000

SELECT * を使うのではなく、クエリに必要なカラムだけを列挙することを推奨します。ClickHouse はデータをカラム単位で格納するため、選択するカラムを減らせば、読み取り・解凍・処理の対象となるデータ量をそのまま削減できます。

次のステップ

ClickHouse の詳細については、以下のドキュメントを参照してください。

ClickHouse におけるプライマリインデックスの概要: ClickHouse がスパースプライマリインデックスを使用して、クエリ実行時に関連データを効率的に特定する仕組みを解説します。
外部データソースとの統合: ファイル、Kafka、PostgreSQL、データパイプラインなど、多様なデータソースとのインテグレーション方法を紹介します。
ClickHouse のデータを可視化する: お好みの UI/BI ツールを ClickHouse に接続します。
SQL リファレンス: データの変換、処理、分析に利用できる ClickHouse の SQL 関数を一覧で確認できます。

はじめる

セットアップ

サンプルデータセット

移行

ニューヨークのタクシーデータセットを用いた地理空間分析

前提条件

テーブルを作成する

データを挿入する

データを分析する

辞書を作成する

Dictionaryを使ってクエリを実行する

結合を実行する

次のステップ

​前提条件

テーブルを作成する

データを挿入する

データを分析する

辞書を作成する

Dictionaryを使ってクエリを実行する

結合を実行する

​次のステップ

前提条件

次のステップ