cc-skill-clickhouse-io
Maîtrisez l'analyse ClickHouse et l'optimisation des requêtes
Vous rencontrez des problèmes avec des requêtes analytiques lentes sur de grands ensembles de données ? Apprenez les modèles spécifiques à ClickHouse pour le stockage orienté colonne, l'optimisation des requêtes et les agrégations en temps réel pour obtenir des analyses hautes performances.
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". Créer une table pour les statistiques de marché horaires
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". Requêter les utilisateurs actifs quotidiens pour les 30 derniers jours
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". Calculer les percentiles de taille de transaction (médiane, 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
Ingénieur de données construisant une plateforme d'analyse
Concevoir et optimiser des tables ClickHouse pour le suivi d'événements à haut volume et l'analytique utilisateur avec des vues matérialisées pour des tableaux de bord en temps réel.
Analyste effectuant une analyse de cohorte
Exécuter une analyse de rétention, un suivi de conversion en entonnoir et des requêtes de séries temporelles sur de grands ensembles de données en utilisant des fonctions d'agrégation spécifiques à ClickHouse.
Développeur intégrant des métriques en temps réel
Implémenter l'ingestion de données en flux et des pipelines ETL automatisés pour synchroniser les données transactionnelles de PostgreSQL vers ClickHouse pour des charges de travail analytiques.
Essayez ces prompts
Aidez-moi à créer une table ClickHouse pour stocker des données d'analyse de marché quotidiennes avec des colonnes pour la date, market_id, volume et le nombre de transactions. Utilisez le moteur approprié et une stratégie de partitionnement pour des requêtes basées sur le temps.
Ma requête ClickHouse filtrant par market_name et volume est lente sur une table avec 100M de lignes. La table est ordonnée par (date, market_id). Suggérez des optimisations et expliquez comment restructurer la table ou la requête pour de meilleures performances.
Concevez un schéma ClickHouse avec des vues matérialisées pour alimenter un tableau de bord de trading en temps réel affichant le volume horaire, le nombre de transactions et les traders uniques par marché. Incluez la table de base, la définition de la vue matérialisée et des exemples de requêtes pour le tableau de bord.
Créez une requête ClickHouse pour calculer les cohortes de rétention utilisateur par mois d'inscription, affichant les utilisateurs actifs au jour 0, jour 1, jour 7 et jour 30 après l'inscription. Utilisez une table events avec des colonnes user_id et timestamp.
Bonnes pratiques
- Partitionnez les tables par temps (mois ou jour) en utilisant des colonnes DATE ou DateTime pour optimiser les requêtes de plage temporelle
- Ordonnez les clés par les colonnes les plus fréquemment filtrées avec la cardinalité la plus élevée en premier pour maximiser l'utilisation de l'index
- Utilisez des insertions par lots au lieu d'insertions de lignes individuelles pour améliorer considérablement les performances d'ingestion
Éviter
- Utiliser SELECT * au lieu de spécifier les colonnes - augmente inutilement les E/S et l'utilisation de la mémoire
- Effectuer des insertions petites et fréquentes au lieu de les regrouper - provoque des opérations de fusion excessives et dégrade les performances
- S'appuyer sur la clause FINAL dans les requêtes - force la fusion des données avant l'exécution de la requête, ralentissant considérablement les lectures