> ## 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 o ClickHouse com dados de preços de imóveis do Reino Unido

# Consultas analíticas sobre dados de preços de imóveis do Reino Unido

Neste tutorial, você vai explorar o ClickHouse usando o <Tooltip headline="UK Property Price dataset" tip="Contém dados do HM Land Registry © Crown copyright and database right 2021. Estes dados são licenciados sob a Open Government Licence v3.0." cta="Acesse a fonte" href="https://www.gov.uk/government/statistical-data-sets/price-paid-data-downloads">UK Property Price dataset</Tooltip>, que contém os preços pagos por imóveis na Inglaterra e no País de Gales desde 1995.

<h2 id="prerequisites">
  Pré-requisitos
</h2>

Para este tutorial, você vai precisar de:

* Uma [conta do ClickHouse Cloud](https://clickhouse.cloud/signUp?loc=docs-sample-datasets-uk-property-price) (US\$ 300 em créditos gratuitos ao se cadastrar)
* [Um serviço do ClickHouse Cloud](/pt-BR/get-started/setup/cloud#1-create-a-clickhouse-service)

<Steps titleSize="h2">
  <Step title="Crie a tabela">
    1. Selecione **SQL Console** no menu à esquerda
    2. Clique na aba **+** ao lado do ícone de início para criar uma nova consulta
    3. No editor SQL, digite a seguinte consulta e clique em **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>
      Observe a cláusula `ORDER BY (postcode1, postcode2, addr1, addr2)`, que define como o ClickHouse ordena
      os dados em disco. Escolher uma chave primária eficaz no ClickHouse, alinhada aos seus padrões de acesso, é fundamental para o desempenho das consultas e a eficiência de armazenamento.
      Consulte ["Escolhendo uma chave primária"](/pt-BR/concepts/best-practices/choosing-a-primary-key) para obter mais detalhes.
    </Tip>

    Consulte [https://www.gov.uk](https://www.gov.uk/guidance/about-the-price-paid-data) para ver uma descrição dos campos.
  </Step>

  <Step title="Faça o pré-processamento e insira os dados" id="preprocess-import-data">
    Você pode usar a função `url` para fazer streaming de dados para o ClickHouse. Antes, é necessário fazer um pré-processamento.
    A consulta abaixo insere mais de 25 milhões de linhas na tabela `uk_price_paid` e executa as seguintes etapas de pré-processamento:

    * divide o `postcode` em duas colunas distintas — `postcode1` e `postcode2` —, o que é melhor para o armazenamento e para as consultas
    * converte o campo `time` para data, pois ele contém apenas o horário `00:00`
    * ignora o campo [UUID](/pt-BR/reference/data-types/uuid), pois ele não é necessário para a análise
    * transforma `type` e `duration` em campos `Enum` mais legíveis usando a função [transform](/pt-BR/reference/functions/regular-functions/other-functions#transform)
    * transforma o campo `is_new` de uma string de um único caractere (`Y`/`N`) em um campo [UInt8](/pt-BR/reference/data-types/int-uint) com 0 ou 1
    * descarta as duas últimas colunas, já que todas têm o mesmo 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;
    ```

    Aguarde a inserção dos dados — isso deve levar um ou dois minutos, dependendo da velocidade da rede.
  </Step>

  <Step title="Valide os dados" id="validate-data">
    Vamos verificar se funcionou conferindo quantas linhas foram inseridas:

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

    No momento em que esta consulta foi executada, o conjunto de dados tinha 27.450.499 linhas. Vamos ver qual é o tamanho de armazenamento da tabela no ClickHouse:

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

    Observe que o tamanho da tabela é de apenas 221,43 MiB, enquanto o conjunto de dados original, sem compressão, tem cerca de 4 GiB.
    O ClickHouse oferece uma excelente compressão de dados por padrão, mas também permite [ajustar ainda mais a compressão por coluna](/pt-BR/reference/statements/create/table#column_compression_codec), se necessário.
  </Step>

  <Step title="Execute algumas consultas" id="run-queries">
    Com os dados carregados, experimente as consultas a seguir para ter uma ideia da rapidez com que as consultas analíticas retornam resultados.
    A consulta abaixo calcula o preço médio por ano considerando todos os dados:

    ```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
    ```

    A consulta abaixo aplica um filtro para calcular o preço médio por ano em 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 aconteceu com os preços dos imóveis em 2020! Mas isso provavelmente não é nenhuma surpresa...

    A consulta abaixo retorna os bairros mais 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 passos
</h2>

Neste tutorial, você criou uma tabela, pré-processou e carregou dados de preços de imóveis do Reino Unido no ClickHouse e, em seguida,
executou algumas consultas analíticas sobre esses dados.

A seguir, você pode:

* Aprender como acelerar essas consultas com projeções. Consulte ["Projeções"](/pt-BR/concepts/features/projections/projections) para ver exemplos que usam o mesmo conjunto de dados.
* Saber mais sobre os [conceitos fundamentais](/pt-BR/concepts/core-concepts) do ClickHouse
* Explorar as [melhores práticas](/pt-BR/concepts/best-practices) do ClickHouse
* Explorar outros [conjuntos de dados de exemplo](/pt-BR/get-started/sample-datasets)