> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-detect-table-modification.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# 원격 ClickHouse 서버를 쿼리하는 방법
> 이 가이드에서는 chDB에서 원격 ClickHouse 서버를 쿼리하는 방법을 알아봅니다.
이 가이드에서는 chDB에서 원격 ClickHouse 서버를 쿼리하는 방법을 알아봅니다.
## 준비
먼저 가상 환경을 생성하겠습니다:
```bash theme={null}
python -m venv .venv
source .venv/bin/activate
```
이제 chDB를 설치합니다.
버전이 2.0.2 이상인지 확인하세요:
```bash theme={null}
pip install "chdb>=2.0.2"
```
이제 pandas와 ipython을 설치해 보겠습니다:
```bash theme={null}
pip install pandas ipython
```
이 가이드의 나머지 부분에서는 명령 실행에 `ipython`을 사용하며, 다음 명령으로 시작할 수 있습니다:
```bash theme={null}
ipython
```
Python 스크립트나 즐겨 사용하는 노트북 환경에서도 이 코드를 사용할 수 있습니다.
## ClickPy 소개
쿼리할 원격 ClickHouse 서버는 [ClickPy](https://clickpy.clickhouse.com)입니다.
ClickPy는 PyPI 패키지의 모든 다운로드를 기록하며, UI를 통해 패키지 통계를 살펴볼 수 있습니다.
기반 데이터베이스는 `play` 사용자로 쿼리할 수 있습니다.
ClickPy에 대한 자세한 내용은 [GitHub 리포지토리](https://github.com/ClickHouse/clickpy)에서 확인할 수 있습니다.
## ClickPy ClickHouse 서비스 쿼리하기
chDB를 가져오겠습니다:
```python theme={null}
import chdb
```
`remoteSecure` 함수를 사용해 ClickPy에 쿼리를 실행하겠습니다.
이 함수는 최소한 호스트 이름, 테이블 이름, username을 인수로 받습니다.
다음 쿨리를 작성하면 [`openai` package](https://clickpy.clickhouse.com/dashboard/openai)의 일별 다운로드 수를 Pandas DataFrame으로 반환할 수 있습니다:
```python theme={null}
query = """
SELECT
toStartOfDay(date)::Date32 AS x,
sum(count) AS y
FROM remoteSecure(
'clickpy-clickhouse.clickhouse.com',
'pypi.pypi_downloads_per_day',
'play'
)
WHERE project = 'openai'
GROUP BY x
ORDER BY x ASC
"""
openai_df = chdb.query(query, "DataFrame")
openai_df.sort_values(by=["x"], ascending=False).head(n=10)
```
```text theme={null}
x y
2392 2024-10-02 1793502
2391 2024-10-01 1924901
2390 2024-09-30 1749045
2389 2024-09-29 1177131
2388 2024-09-28 1157323
2387 2024-09-27 1688094
2386 2024-09-26 1862712
2385 2024-09-25 2032923
2384 2024-09-24 1901965
2383 2024-09-23 1777554
```
이제 같은 방식으로 [`scikit-learn`](https://clickpy.clickhouse.com/dashboard/scikit-learn)의 다운로드 수를 반환해 보겠습니다:
```python theme={null}
query = """
SELECT
toStartOfDay(date)::Date32 AS x,
sum(count) AS y
FROM remoteSecure(
'clickpy-clickhouse.clickhouse.com',
'pypi.pypi_downloads_per_day',
'play'
)
WHERE project = 'scikit-learn'
GROUP BY x
ORDER BY x ASC
"""
sklearn_df = chdb.query(query, "DataFrame")
sklearn_df.sort_values(by=["x"], ascending=False).head(n=10)
```
```text theme={null}
x y
2392 2024-10-02 1793502
2391 2024-10-01 1924901
2390 2024-09-30 1749045
2389 2024-09-29 1177131
2388 2024-09-28 1157323
2387 2024-09-27 1688094
2386 2024-09-26 1862712
2385 2024-09-25 2032923
2384 2024-09-24 1901965
2383 2024-09-23 1777554
```
## Pandas DataFrames 머지하기
이제 두 개의 DataFrame이 있으므로, 날짜(`x` 컬럼)를 기준으로 다음과 같이 머지할 수 있습니다:
```python theme={null}
df = openai_df.merge(
sklearn_df,
on="x",
suffixes=("_openai", "_sklearn")
)
df.head(n=5)
```
```text theme={null}
x y_openai y_sklearn
0 2018-02-26 83 33971
1 2018-02-27 31 25211
2 2018-02-28 8 26023
3 2018-03-01 8 20912
4 2018-03-02 5 23842
```
그런 다음 다음과 같이 Open AI 다운로드 수를 `scikit-learn` 다운로드 수로 나눈 비율을 계산할 수 있습니다:
```python theme={null}
df['ratio'] = df['y_openai'] / df['y_sklearn']
df.head(n=5)
```
```text theme={null}
x y_openai y_sklearn ratio
0 2018-02-26 83 33971 0.002443
1 2018-02-27 31 25211 0.001230
2 2018-02-28 8 26023 0.000307
3 2018-03-01 8 20912 0.000383
4 2018-03-02 5 23842 0.000210
```
## Pandas DataFrame 쿼리하기
다음으로, 비율이 가장 높은 날짜와 가장 낮은 날짜를 찾는다고 가정해 보겠습니다.
chDB로 돌아가 이 값을 계산할 수 있습니다:
```python theme={null}
chdb.query("""
SELECT max(ratio) AS bestRatio,
argMax(x, ratio) AS bestDate,
min(ratio) AS worstRatio,
argMin(x, ratio) AS worstDate
FROM Python(df)
""", "DataFrame")
```
```text theme={null}
bestRatio bestDate worstRatio worstDate
0 0.693855 2024-09-19 0.000003 2020-02-09
```
Pandas DataFrame을 쿼리하는 방법을 더 알아보려면 [Pandas DataFrames 개발자 가이드](/ko/products/chdb/guides/querying-pandas)를 참조하십시오.