> ## 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.

# كيفية الاستعلام عن خادم ClickHouse بعيد

> في هذا الدليل، سنتعلّم كيفية الاستعلام عن خادم ClickHouse بعيد من chDB.

في هذا الدليل، سنتعلّم كيفية الاستعلام عن خادم ClickHouse بعيد من chDB.

<div id="setup">
  ## الإعداد
</div>

لننشئ أولًا بيئة افتراضية:

```bash theme={null}
python -m venv .venv
source .venv/bin/activate
```

والآن سنثبّت chDB.
تأكّد من أن لديك الإصدار 2.0.2 أو أحدث:

```bash theme={null}
pip install "chdb>=2.0.2"
```

والآن سنثبّت pandas وipython:

```bash theme={null}
pip install pandas ipython
```

سنستخدم `ipython` لتنفيذ الأوامر في بقية هذا الدليل، ويمكنك تشغيله بالأمر التالي:

```bash theme={null}
ipython
```

يمكنك أيضًا استخدام الشيفرة في سكربت Python أو في دفترك البرمجي المفضل.

<div id="an-intro-to-clickpy">
  ## مقدمة إلى ClickPy
</div>

خادم ClickHouse البعيد الذي سنُجري عليه الاستعلامات هو [ClickPy](https://clickpy.clickhouse.com).
يتتبّع ClickPy جميع عمليات تنزيل حزم PyPI ويتيح لك استكشاف إحصاءات الحزم عبر واجهة المستخدم.
قاعدة البيانات التي تقوم عليها الخدمة متاحة للاستعلام باستخدام المستخدم `play`.

يمكنك معرفة المزيد عن ClickPy في [مستودعه على GitHub](https://github.com/ClickHouse/clickpy).

<div id="querying-the-clickpy-clickhouse-service">
  ## الاستعلام عن خدمة ClickHouse في ClickPy
</div>

لنستورد chDB:

```python theme={null}
import chdb
```

سنُجري استعلامًا على ClickPy باستخدام الدالة `remoteSecure`.
تأخذ هذه الدالة، كحد أدنى، اسم المضيف واسم الجدول واسم المستخدم.

يمكننا كتابة الاستعلام التالي لإرجاع عدد التنزيلات اليومية لحزمة [`openai`](https://clickpy.clickhouse.com/dashboard/openai) على شكل Pandas DataFrame:

```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
```

والآن لنطبّق الأمر نفسه لاسترجاع تنزيلات [`scikit-learn`](https://clickpy.clickhouse.com/dashboard/scikit-learn):

```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
```

<div id="merging-pandas-dataframes">
  ## دمج Pandas DataFrames
</div>

لدينا الآن اثنان من Pandas DataFrames، ويمكننا دمجهما معًا استنادًا إلى التاريخ (وهو العمود `x`) على النحو التالي:

```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
```

يمكننا بعد ذلك حساب نسبة تنزيلات Open AI إلى تنزيلات `scikit-learn` كما يلي:

```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
```

<div id="querying-pandas-dataframes">
  ## الاستعلام عن Pandas DataFrames
</div>

بعد ذلك، لنفترض أننا نريد العثور على التواريخ ذات أعلى وأدنى النِّسَب.
يمكننا العودة إلى chDB وحساب هذه القيم:

```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
```

إذا كنت تريد معرفة المزيد عن الاستعلام عن Pandas DataFrames، فراجع [دليل المطور حول Pandas DataFrames](/ar/products/chdb/guides/querying-pandas).