> ## 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.
# Exploración de datos con notebooks de Marimo y chDB
> Esta guía explica cómo configurar y utilizar chDB para explorar datos de ClickHouse Cloud o de archivos locales en notebooks de Marimo
export const Image = ({img, alt, size}) => {
return
;
};
En esta guía, aprenderá a explorar en un notebook de Marimo un conjunto de datos alojado en ClickHouse Cloud con la ayuda de [chDB](/es/products/chdb/index), un rápido motor SQL OLAP en proceso basado en ClickHouse.
**Requisitos previos:**
* Python 3.8 o superior
* un entorno virtual
* un servicio de ClickHouse Cloud en funcionamiento y sus [datos de conexión](/es/products/cloud/guides/sql-console/connection-details)
Si todavía no tiene una cuenta de ClickHouse Cloud, puede [registrarse](https://console.clickhouse.cloud/signUp?loc=docs-marimo-chdb) para
obtener una prueba y recibir \$300 en créditos gratuitos para empezar.
**Lo que aprenderá:**
* Conectarse a ClickHouse Cloud desde notebooks de Marimo usando chDB
* Consultar conjuntos de datos remotos y convertir los resultados en DataFrames de Pandas
* Visualizar datos con Plotly en Marimo
* Aprovechar el modelo de ejecución reactivo de Marimo para la exploración interactiva de datos
Usaremos el conjunto de datos UK Property Price, que está disponible en ClickHouse Cloud como uno de los conjuntos de datos de ejemplo.
Contiene datos sobre los precios de venta de viviendas en el Reino Unido entre 1995 y 2024.
## Configuración
### Carga del conjunto de datos
Para añadir este conjunto de datos a un servicio existente de ClickHouse Cloud, inicia sesión en [console.clickhouse.cloud](https://console.clickhouse.cloud/) con los datos de tu cuenta.
En el menú de la izquierda, haz clic en `Data sources`. Después, haz clic en `Predefined sample data`:
Selecciona `Get started` en la tarjeta de datos de precios de propiedades pagados del Reino Unido (4 GB):
Después, haz clic en `Import dataset`:
ClickHouse creará automáticamente la tabla `pp_complete` en la base de datos `default` y la rellenará con 28,92 millones de filas de datos de precios.
Para reducir la probabilidad de exponer tus credenciales, te recomendamos añadir tu nombre de usuario y contraseña de Cloud como variables de entorno en tu máquina local.
Desde una terminal, ejecuta el siguiente comando para añadir tu nombre de usuario y contraseña como variables de entorno:
### Configuración de credenciales
```bash theme={null}
export CLICKHOUSE_CLOUD_HOSTNAME=
export CLICKHOUSE_CLOUD_USER=default
export CLICKHOUSE_CLOUD_PASSWORD=your_actual_password
```
Las variables de entorno anteriores solo se mantienen mientras dure la sesión de tu terminal.
Para configurarlas de forma permanente, añádelas al archivo de configuración de tu shell.
### Instalar Marimo
Ahora, activa tu entorno virtual.
Dentro de tu entorno virtual, instala los siguientes paquetes que usaremos en esta guía:
```python theme={null}
pip install chdb pandas plotly marimo
```
Cree un nuevo notebook de Marimo con el siguiente comando:
```bash theme={null}
marimo edit clickhouse_exploration.py
```
Debería abrirse una nueva ventana del navegador con la interfaz de Marimo en localhost:2718:
Los cuadernos de Marimo se almacenan como archivos de Python sin formato, lo que facilita el control de versiones y compartirlos con otras personas.
## Instalar dependencias
En una nueva celda, importa los paquetes necesarios:
```python theme={null}
import marimo as mo
import chdb
import pandas as pd
import os
import plotly.express as px
import plotly.graph_objects as go
```
Si pasas el cursor sobre la celda, verás que aparecen dos círculos con el símbolo "+".
Puedes hacer clic en ellos para añadir celdas nuevas.
Añade una celda nueva y ejecuta una consulta sencilla para comprobar que todo está configurado correctamente:
```python theme={null}
result = chdb.query("SELECT 'Hello ClickHouse from Marimo!'", "DataFrame")
result
```
Deberías ver el resultado debajo de la celda que acabas de ejecutar:
## Explorar los datos
Con el conjunto de datos de precios pagados del Reino Unido ya configurado y chDB en funcionamiento en un notebook de Marimo, ahora podemos empezar a explorar los datos.
Imaginemos que nos interesa comprobar cómo ha cambiado el precio a lo largo del tiempo en una zona concreta del Reino Unido, como la capital, Londres.
La función [`remoteSecure`](/es/reference/functions/table-functions/remote) de ClickHouse permite recuperar fácilmente los datos de ClickHouse Cloud.
Puede indicar a chDB que devuelva estos datos dentro del proceso como un `data frame` de Pandas, una forma práctica y familiar de trabajar con datos.
### Consultar datos de ClickHouse Cloud
Crea una nueva celda con la siguiente consulta para recuperar los datos de precios pagados del Reino Unido desde tu servicio de ClickHouse Cloud y convertirlos en un `pandas.DataFrame`:
```python theme={null}
query = f"""
SELECT
toYear(date) AS year,
round(avg(price)) AS price,
bar(price, 0, 1000000, 80)
FROM remoteSecure(
'{os.environ.get("CLICKHOUSE_CLOUD_HOSTNAME")}',
'default.pp_complete',
'{os.environ.get("CLICKHOUSE_CLOUD_USER")}',
'{os.environ.get("CLICKHOUSE_CLOUD_PASSWORD")}'
)
WHERE town = 'LONDON'
GROUP BY year
ORDER BY year
"""
df = chdb.query(query, "DataFrame")
df.head()
```
En el fragmento anterior, `chdb.query(query, "DataFrame")` ejecuta la consulta especificada y devuelve el resultado como un Pandas DataFrame.
En la consulta usamos la función [`remoteSecure`](/es/reference/functions/table-functions/remote) para conectarnos a ClickHouse Cloud.
La función `remoteSecure` recibe como parámetros:
* una cadena de conexión
* el nombre de la base de datos y de la tabla que se van a usar
* su nombre de usuario
* su contraseña
Como práctica recomendada de seguridad, es preferible usar variables de entorno para los parámetros de nombre de usuario y contraseña en lugar de especificarlos directamente en la función, aunque también es posible hacerlo si así lo desea.
La función `remoteSecure` se conecta al servicio remoto de ClickHouse Cloud, ejecuta la consulta y devuelve el resultado.
Según el volumen de datos, esto puede tardar unos segundos.
En este caso, devolvemos un precio medio por año y aplicamos el filtro `town='LONDON'`.
A continuación, el resultado se almacena como un DataFrame en una variable llamada `df`.
### Visualización de los datos
Ahora que los datos están disponibles en un formato familiar, veamos cómo han evolucionado con el tiempo los precios de las viviendas en Londres.
Marimo funciona especialmente bien con bibliotecas de gráficos interactivos como Plotly.
En una nueva celda, crea un gráfico interactivo:
```python theme={null}
fig = px.line(
df,
x='year',
y='price',
title='Average Property Prices in London Over Time',
labels={'price': 'Average Price (£)', 'year': 'Year'}
)
fig.update_traces(mode='lines+markers')
fig.update_layout(hovermode='x unified')
fig
```
Como era de esperar, los precios de la vivienda en Londres han aumentado considerablemente con el tiempo.
Uno de los puntos fuertes de Marimo es su modelo de ejecución reactivo. Vamos a crear un widget interactivo para seleccionar distintas localidades de forma dinámica.
### Selección interactiva de localidades
En una nueva celda, crea un menú desplegable para seleccionar distintas localidades:
```python theme={null}
town_selector = mo.ui.dropdown(
options=['LONDON', 'MANCHESTER', 'BIRMINGHAM', 'LEEDS', 'LIVERPOOL'],
value='LONDON',
label='Select a town:'
)
town_selector
```
En otra celda, cree una consulta que reaccione a la selección de la localidad. Cuando cambie el menú desplegable, esta celda se volverá a ejecutar automáticamente:
```python theme={null}
query_reactive = f"""
SELECT
toYear(date) AS year,
round(avg(price)) AS price
FROM remoteSecure(
'{os.environ.get("CLICKHOUSE_CLOUD_HOSTNAME")}',
'default.pp_complete',
'{os.environ.get("CLICKHOUSE_CLOUD_USER")}',
'{os.environ.get("CLICKHOUSE_CLOUD_PASSWORD")}'
)
WHERE town = '{town_selector.value}'
GROUP BY year
ORDER BY year
"""
df_reactive = chdb.query(query_reactive, "DataFrame")
df_reactive
```
Ahora crea un gráfico que se actualice automáticamente cuando cambies la localidad.
Puedes mover el gráfico por encima del dataframe dinámico para que aparezca
debajo de la celda con el menú desplegable.
```python theme={null}
fig_reactive = px.line(
df_reactive,
x='year',
y='price',
title=f'Average Property Prices in {town_selector.value} Over Time',
labels={'price': 'Average Price (£)', 'year': 'Year'}
)
fig_reactive.update_traces(mode='lines+markers')
fig_reactive.update_layout(hovermode='x unified')
fig_reactive
```
Ahora, al seleccionar un municipio en el menú desplegable, el gráfico se actualizará dinámicamente:
### Exploración de la distribución de precios con diagramas de caja interactivos
Profundicemos en los datos examinando la distribución de los precios de las propiedades en Londres en distintos años.
Un diagrama de caja y bigotes nos mostrará la mediana, los cuartiles y los valores atípicos, lo que nos dará una comprensión mucho mejor que limitarse al precio medio.
Primero, creemos un control deslizante para el año que nos permita explorar interactivamente distintos años:
En una nueva celda, agrega lo siguiente:
```python theme={null}
year_slider = mo.ui.slider(
start=1995,
stop=2024,
value=2020,
step=1,
label='Select Year:',
show_value=True
)
year_slider
```
Ahora, consultemos los precios de cada propiedad para el año seleccionado.
Ten en cuenta que aquí no estamos haciendo ninguna agregación; queremos todas las transacciones individuales para construir la distribución:
```python theme={null}
query_distribution = f"""
SELECT
price,
toYear(date) AS year
FROM remoteSecure(
'{os.environ.get("CLICKHOUSE_CLOUD_HOSTNAME")}',
'default.pp_complete',
'{os.environ.get("CLICKHOUSE_CLOUD_USER")}',
'{os.environ.get("CLICKHOUSE_CLOUD_PASSWORD")}'
)
WHERE town = 'LONDON'
AND toYear(date) = {year_slider.value}
AND price > 0
AND price < 5000000
"""
df_distribution = chdb.query(query_distribution, "DataFrame")
# crear un diagrama de caja interactivo.
fig_box = go.Figure()
fig_box.add_trace(
go.Box(
y=df_distribution['price'],
name=f'London {year_slider.value}',
boxmean='sd', # Mostrar la media y la desviación estándar
marker_color='lightblue',
boxpoints='outliers' # Mostrar los puntos atípicos
)
)
fig_box.update_layout(
title=f'Distribution of Property Prices in London ({year_slider.value})',
yaxis=dict(
title='Price (£)',
tickformat=',.0f'
),
showlegend=False,
height=600
)
fig_box
```
Si seleccionas el botón de opciones en la esquina superior derecha de la celda, puedes ocultar
el código.
A medida que mueves el control deslizante, el gráfico se actualiza automáticamente gracias a la ejecución reactiva de Marimo:
## Resumen
Esta guía mostró cómo usar chDB para explorar sus datos en ClickHouse Cloud con notebooks de Marimo.
Con el conjunto de datos UK Property Price, mostramos cómo consultar datos remotos de ClickHouse Cloud con la función `remoteSecure()` y convertir los resultados directamente en DataFrames de Pandas para su análisis y visualización.
Gracias a chDB y al modelo de ejecución reactivo de Marimo, los científicos de datos pueden aprovechar la potencia de SQL de ClickHouse junto con herramientas de Python conocidas, como Pandas y Plotly, con la ventaja adicional de los widgets interactivos y el seguimiento automático de dependencias, que hacen que el análisis exploratorio sea más eficiente y reproducible.