> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-fbfa8bee.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. > COVID-19 Open-Data هي قاعدة بيانات كبيرة ومفتوحة المصدر لبيانات COVID-19 الوبائية والعوامل المرتبطة بها مثل الخصائص السكانية والاقتصاد واستجابات الحكومات # بيانات COVID-19 المفتوحة يسعى COVID-19 Open-Data إلى تجميع أكبر قاعدة بيانات وبائية لمرض COVID-19، إلى جانب مجموعة قوية وواسعة من المتغيرات المصاحبة. ويتضمن بيانات مفتوحة ومرخّصة من مصادر عامة تتعلق بالخصائص السكانية، والاقتصاد، وعلم الأوبئة، والجغرافيا، والصحة، وحالات التنويم في المستشفيات، والتنقل، واستجابات الحكومات، والطقس، وغير ذلك. التفاصيل متاحة على GitHub [هنا](https://github.com/GoogleCloudPlatform/covid-19-open-data). من السهل إدخال هذه البيانات إلى ClickHouse... نُفِّذت الأوامر التالية على مثيل **Production** من [ClickHouse Cloud](https://clickhouse.cloud). ويمكنك أيضًا تشغيلها بسهولة على تثبيت محلي. 1. لنرَ كيف تبدو البيانات: ```sql theme={null} DESCRIBE url( 'https://storage.googleapis.com/covid19-open-data/v3/epidemiology.csv', 'CSVWithNames' ); ``` يحتوي ملف CSV على 10 أعمدة: ```response theme={null} ┌─name─────────────────┬─type─────────────┐ │ date │ Nullable(Date) │ │ location_key │ Nullable(String) │ │ new_confirmed │ Nullable(Int64) │ │ new_deceased │ Nullable(Int64) │ │ new_recovered │ Nullable(Int64) │ │ new_tested │ Nullable(Int64) │ │ cumulative_confirmed │ Nullable(Int64) │ │ cumulative_deceased │ Nullable(Int64) │ │ cumulative_recovered │ Nullable(Int64) │ │ cumulative_tested │ Nullable(Int64) │ └──────────────────────┴──────────────────┘ 10 rows in set. Elapsed: 0.745 sec. ``` 2. الآن لنستعرض بعض الصفوف: ```sql theme={null} SELECT * FROM url('https://storage.googleapis.com/covid19-open-data/v3/epidemiology.csv') LIMIT 100; ``` لاحظ كيف تقرأ الدالة `url` البيانات بسهولة من ملف CSV: ```response theme={null} ┌─c1─────────┬─c2───────────┬─c3────────────┬─c4───────────┬─c5────────────┬─c6─────────┬─c7───────────────────┬─c8──────────────────┬─c9───────────────────┬─c10───────────────┐ │ date │ location_key │ new_confirmed │ new_deceased │ new_recovered │ new_tested │ cumulative_confirmed │ cumulative_deceased │ cumulative_recovered │ cumulative_tested │ │ 2020-04-03 │ AD │ 24 │ 1 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ 466 │ 17 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ │ 2020-04-04 │ AD │ 57 │ 0 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ 523 │ 17 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ │ 2020-04-05 │ AD │ 17 │ 4 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ 540 │ 21 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ │ 2020-04-06 │ AD │ 11 │ 1 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ 551 │ 22 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ │ 2020-04-07 │ AD │ 15 │ 2 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ 566 │ 24 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ │ 2020-04-08 │ AD │ 23 │ 2 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ 589 │ 26 │ ᴺᵁᴸᴸ │ ᴺᵁᴸᴸ │ └────────────┴──────────────┴───────────────┴──────────────┴───────────────┴────────────┴──────────────────────┴─────────────────────┴──────────────────────┴───────────────────┘ ``` 3. سننشئ جدولًا الآن بعد أن عرفنا شكل البيانات: ```sql theme={null} CREATE TABLE covid19 ( date Date, location_key LowCardinality(String), new_confirmed Int32, new_deceased Int32, new_recovered Int32, new_tested Int32, cumulative_confirmed Int32, cumulative_deceased Int32, cumulative_recovered Int32, cumulative_tested Int32 ) ENGINE = MergeTree ORDER BY (location_key, date); ``` 4. يقوم الأمر التالي بإدراج مجموعة البيانات كاملةً في جدول `covid19`: ```sql theme={null} INSERT INTO covid19 SELECT * FROM url( 'https://storage.googleapis.com/covid19-open-data/v3/epidemiology.csv', CSVWithNames, 'date Date, location_key LowCardinality(String), new_confirmed Int32, new_deceased Int32, new_recovered Int32, new_tested Int32, cumulative_confirmed Int32, cumulative_deceased Int32, cumulative_recovered Int32, cumulative_tested Int32' ); ``` 5. يتم هذا بسرعة كبيرة - لنرَ كم عدد الصفوف التي أُدرجت: ```sql theme={null} SELECT formatReadableQuantity(count()) FROM covid19; ``` ```response theme={null} ┌─formatReadableQuantity(count())─┐ │ 12.53 million │ └─────────────────────────────────┘ ``` 6. دعونا نرَ إجمالي عدد حالات Covid-19 التي سُجِّلت: ```sql theme={null} SELECT formatReadableQuantity(sum(new_confirmed)) FROM covid19; ``` ```response theme={null} ┌─formatReadableQuantity(sum(new_confirmed))─┐ │ 1.39 billion │ └────────────────────────────────────────────┘ ``` 7. ستلاحظ أن البيانات تحتوي على الكثير من القيم الصفرية في بعض التواريخ - إما في عطلات نهاية الأسبوع أو في الأيام التي لم تُبلَّغ فيها الأرقام يوميًا. يمكننا استخدام دالة نافذة لتسوية المتوسطات اليومية للحالات الجديدة: ```sql theme={null} SELECT AVG(new_confirmed) OVER (PARTITION BY location_key ORDER BY date ROWS BETWEEN 2 PRECEDING AND 2 FOLLOWING) AS cases_smoothed, new_confirmed, location_key, date FROM covid19; ``` 8. يحدّد هذا الاستعلام أحدث القيم لكل موقع. لا يمكننا استخدام `max(date)` لأن البلدان لا تُبلّغ جميعها كل يوم، لذا نأخذ آخر صف باستخدام `ROW_NUMBER`: ```sql theme={null} WITH latest_deaths_data AS ( SELECT location_key, date, new_deceased, new_confirmed, ROW_NUMBER() OVER (PARTITION BY location_key ORDER BY date DESC) AS rn FROM covid19) SELECT location_key, date, new_deceased, new_confirmed, rn FROM latest_deaths_data WHERE rn=1; ``` 9. يمكننا استخدام `lagInFrame` لتحديد قيمة `LAG` لعدد الحالات الجديدة يوميًا. في هذا الاستعلام، نُصفّي حسب الموقع `US_DC`: ```sql theme={null} SELECT new_confirmed - lagInFrame(new_confirmed,1) OVER (PARTITION BY location_key ORDER BY date) AS confirmed_cases_delta, new_confirmed, location_key, date FROM covid19 WHERE location_key = 'US_DC'; ``` تبدو الاستجابة كما يلي: ```response theme={null} ┌─confirmed_cases_delta─┬─new_confirmed─┬─location_key─┬───────date─┐ │ 0 │ 0 │ US_DC │ 2020-03-08 │ │ 2 │ 2 │ US_DC │ 2020-03-09 │ │ -2 │ 0 │ US_DC │ 2020-03-10 │ │ 6 │ 6 │ US_DC │ 2020-03-11 │ │ -6 │ 0 │ US_DC │ 2020-03-12 │ │ 0 │ 0 │ US_DC │ 2020-03-13 │ │ 6 │ 6 │ US_DC │ 2020-03-14 │ │ -5 │ 1 │ US_DC │ 2020-03-15 │ │ 4 │ 5 │ US_DC │ 2020-03-16 │ │ 4 │ 9 │ US_DC │ 2020-03-17 │ │ -1 │ 8 │ US_DC │ 2020-03-18 │ │ 24 │ 32 │ US_DC │ 2020-03-19 │ │ -26 │ 6 │ US_DC │ 2020-03-20 │ │ 15 │ 21 │ US_DC │ 2020-03-21 │ │ -3 │ 18 │ US_DC │ 2020-03-22 │ │ 3 │ 21 │ US_DC │ 2020-03-23 │ ``` 10. يحسب هذا الاستعلام النسبة المئوية للتغيّر في عدد الحالات الجديدة كل يوم، ويتضمن في مجموعة النتائج عمودًا بسيطًا بقيمة `increase` أو `decrease`: ```sql theme={null} WITH confirmed_lag AS ( SELECT *, lagInFrame(new_confirmed) OVER( PARTITION BY location_key ORDER BY date ) AS confirmed_previous_day FROM covid19 ), confirmed_percent_change AS ( SELECT *, COALESCE(ROUND((new_confirmed - confirmed_previous_day) / confirmed_previous_day * 100), 0) AS percent_change FROM confirmed_lag ) SELECT date, new_confirmed, percent_change, CASE WHEN percent_change > 0 THEN 'increase' WHEN percent_change = 0 THEN 'no change' ELSE 'decrease' END AS trend FROM confirmed_percent_change WHERE location_key = 'US_DC'; ``` تبدو النتائج كما يلي ```response theme={null} ┌───────date─┬─new_confirmed─┬─percent_change─┬─trend─────┐ │ 2020-03-08 │ 0 │ nan │ decrease │ │ 2020-03-09 │ 2 │ inf │ increase │ │ 2020-03-10 │ 0 │ -100 │ decrease │ │ 2020-03-11 │ 6 │ inf │ increase │ │ 2020-03-12 │ 0 │ -100 │ decrease │ │ 2020-03-13 │ 0 │ nan │ decrease │ │ 2020-03-14 │ 6 │ inf │ increase │ │ 2020-03-15 │ 1 │ -83 │ decrease │ │ 2020-03-16 │ 5 │ 400 │ increase │ │ 2020-03-17 │ 9 │ 80 │ increase │ │ 2020-03-18 │ 8 │ -11 │ decrease │ │ 2020-03-19 │ 32 │ 300 │ increase │ │ 2020-03-20 │ 6 │ -81 │ decrease │ │ 2020-03-21 │ 21 │ 250 │ increase │ │ 2020-03-22 │ 18 │ -14 │ decrease │ │ 2020-03-23 │ 21 │ 17 │ increase │ │ 2020-03-24 │ 46 │ 119 │ increase │ │ 2020-03-25 │ 48 │ 4 │ increase │ │ 2020-03-26 │ 36 │ -25 │ decrease │ │ 2020-03-27 │ 37 │ 3 │ increase │ │ 2020-03-28 │ 38 │ 3 │ increase │ │ 2020-03-29 │ 59 │ 55 │ increase │ │ 2020-03-30 │ 94 │ 59 │ increase │ │ 2020-03-31 │ 91 │ -3 │ decrease │ │ 2020-04-01 │ 67 │ -26 │ decrease │ │ 2020-04-02 │ 104 │ 55 │ increase │ │ 2020-04-03 │ 145 │ 39 │ increase │ ``` كما ذُكر في [مستودع GitHub](https://github.com/GoogleCloudPlatform/covid-19-open-data)، لم تعد مجموعة البيانات تُحدَّث منذ 15 سبتمبر 2022.