cc-skill-clickhouse-io
إتقان تحليلات ClickHouse وتحسين الاستعلامات
هل تعاني من بطء الاستعلامات التحليلية على مجموعات البيانات الكبيرة؟ تعلم أنماط ClickHouse الخاصة للتخزين الموجه للأعمدة، وتحسين الاستعلامات، والتجميعات في الوقت الفعلي لتحقيق تحليلات عالية الأداء.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "cc-skill-clickhouse-io". Create a table for hourly market statistics
Résultat attendu:
CREATE TABLE market_stats_hourly (hour DateTime, market_id String, total_volume AggregateFunction(sum, UInt64), total_trades AggregateFunction(count, UInt32), unique_users AggregateFunction(uniq, String)) ENGINE = AggregatingMergeTree() PARTITION BY toYYYYMM(hour) ORDER BY (hour, market_id)
Utilisation de "cc-skill-clickhouse-io". Query daily active users for the last 30 days
Résultat attendu:
SELECT toDate(timestamp) AS date, uniq(user_id) AS daily_active_users FROM events WHERE timestamp >= today() - INTERVAL 30 DAY GROUP BY date ORDER BY date
Utilisation de "cc-skill-clickhouse-io". Calculate trade size percentiles (median, p95, p99)
Résultat attendu:
SELECT quantile(0.50)(trade_size) AS median, quantile(0.95)(trade_size) AS p95, quantile(0.99)(trade_size) AS p99 FROM trades WHERE created_at >= now() - INTERVAL 1 HOUR
Audit de sécurité
SûrThis skill is documentation-only containing SQL queries and TypeScript code examples for ClickHouse database operations. All 87 static analyzer findings are false positives: backticks are markdown code fences not shell execution, SQL aggregation functions (uniq, sum, countMerge) are not cryptographic algorithms, and system table queries are legitimate ClickHouse monitoring features. No executable code or security risks detected.
Score de qualité
Ce que vous pouvez construire
مهندس بيانات يبني منصة تحليلات
تصميم وتحسين جداول ClickHouse لتتبع الأحداث عالي الحجم وتحليلات المستخدمين مع عروض مادية مجسّدة للوحات المعلومات في الوقت الفعلي.
محلل يُجري تحليل أفواج
تنفيذ تحليل الاحتفاظ، وتتبع تحويل القمع، واستعلامات السلاسل الزمنية على مجموعات بيانات كبيرة باستخدام دوال التجميع الخاصة بـ ClickHouse.
مطور يُدمج مقاييس في الوقت الفعلي
تنفيذ استيعاب البيانات المتدفقة وأنابيب ETL المؤتمتة لمزامنة البيانات المعاملاتية من PostgreSQL إلى ClickHouse لأحمال العمل التحليلية.
Essayez ces prompts
Help me create a ClickHouse table for storing daily market analytics data with columns for date, market_id, volume, and trade count. Use the appropriate engine and partitioning strategy for time-based queries.
My ClickHouse query filtering by market_name and volume is slow on a table with 100M rows. The table is ordered by (date, market_id). Suggest optimizations and explain how to restructure the table or query for better performance.
Design a ClickHouse schema with materialized views to power a real-time trading dashboard showing hourly volume, trade count, and unique traders per market. Include the base table, materialized view definition, and sample queries for the dashboard.
Create a ClickHouse query to calculate user retention cohorts by signup month, showing active users at day 0, day 1, day 7, and day 30 after signup. Use an events table with user_id and timestamp columns.
Bonnes pratiques
- قسّم الجداول حسب الوقت (شهر أو يوم) باستخدام أعمدة DATE أو DateTime لتحسين استعلامات النطاق الزمني
- رتّب المفاتيح حسب الأعمدة الأكثر تصفية بشكل متكرر مع أعلى تباين أولاً لزيادة استخدام الفهرس
- استخدم الإدراجات الجماعية بدلاً من إدراج الصفوف الفردية لتحسين أداء الاستيعاب بشكل كبير
Éviter
- استخدام SELECT * بدلاً من تحديد الأعمدة - يزيد من استخدام I/O والذاكرة دون داعٍ
- إجراء إدراجات صغيرة متكررة بدلاً من التجميع - يتسبب في عمليات دمج مفرطة ويؤدي إلى تدهور الأداء
- الاعتماد على بند FINAL في الاستعلامات - يفرض دمج البيانات قبل تنفيذ الاستعلام، مما يبطئ عمليات القراءة بشكل كبير