Генерация случайных тестовых данных в ClickHouse

Генерация случайных данных полезна при тестировании новых сценариев использования или проведении бенчмаркинга вашего решения. В ClickHouse есть широкий набор функций для генерации случайных данных, которые во многих случаях позволяют обойтись без внешнего генератора данных. В этом руководстве приведено несколько примеров генерации случайных наборов данных в ClickHouse с разными требованиями к случайности.

Простой однородный набор данных

Сценарий использования: Быстро сгенерировать набор данных о пользовательских событиях со случайными временными метками и типами событий.

CREATE TABLE user_events (
  event_id UUID,
  user_id UInt32,
  event_type LowCardinality(String),
  event_time DateTime
) ENGINE = MergeTree
ORDER BY event_time;

INSERT INTO user_events
SELECT
  generateUUIDv4() AS event_id,
  rand() % 10000 AS user_id,
  arrayElement(['click','view','purchase'], toUInt32(rand()) % 3 + 1) AS event_type,
  now() - INTERVAL rand() % 3600*24 SECOND AS event_time
FROM numbers(1000000);

rand() % 10000: равномерное распределение 10 тыс. пользователей
arrayElement(...): случайным образом выбирает один из трёх типов событий
Временные метки распределены за предыдущие 24 часа

Экспоненциальное распределение

Сценарий использования: смоделируйте суммы покупок, где большинство значений невелики, а некоторые — высокие.

CREATE TABLE purchases (
  dt DateTime,
  customer_id UInt32,
  total_spent Float32
) ENGINE = MergeTree
ORDER BY dt;

INSERT INTO purchases
SELECT
  now() - INTERVAL randUniform(1,1_000_000) SECOND AS dt,
  number AS customer_id,
  15 + round(randExponential(1/10), 2) AS total_spent
FROM numbers(500000);

Равномерно распределённые временные метки за недавний период
randExponential(1/10) — большинство значений около 0, с минимумом 15 за счёт смещения ([ClickHouse][1], [ClickHouse][2], [Atlantic.Net][3], [GitHub][4])

События, распределённые по времени (Пуассон)

Сценарий использования: Смоделируйте поступление событий, сгруппированных вокруг определённого периода (например, часа пик).

CREATE TABLE events (
  dt DateTime,
  event_type String
) ENGINE = MergeTree
ORDER BY dt;

INSERT INTO events
SELECT
  toDateTime('2022-12-12 12:00:00')
    - ((12 + randPoisson(12)) * 3600) AS dt,
  'click' AS event_type
FROM numbers(200000);

Пик событий приходится примерно на полдень, а отклонение распределено по Пуассону

Нормальное распределение, меняющееся со временем

Сценарий использования: Эмулировать системные метрики (например, загрузку CPU), меняющиеся со временем.

CREATE TABLE IF NOT EXISTS cpu_metrics (
    host String,
    ts   DateTime,
    usage Float32
) ENGINE = MergeTree
ORDER BY (host, ts);

INSERT INTO cpu_metrics
SELECT
    arrayJoin(['host1','host2','host3']) AS host,
    now() - INTERVAL number SECOND AS ts,
    greatest(0.0, least(100.0,
        (50 + 30 * sin(toUInt32(number) % 86400 / 86400.0 * 2 * pi()))
        + randNormal(0, 10)
    )) AS usage
FROM numbers(10000);

usage следует суточной синусоиде + случайная составляющая
Значения ограничены диапазоном [0,100]

Категориальные и вложенные данные

Сценарий использования: Создайте профили пользователей с несколькими интересами.

CREATE TABLE user_profiles (
  user_id UInt32,
  interests Array(String),
  scores Array(UInt8)
) ENGINE = MergeTree
ORDER BY user_id;

INSERT INTO user_profiles
SELECT
  number AS user_id,
  arrayShuffle(['sports','music','tech'])[1 + rand() % 3 : 1 + rand() % 3] AS interests,
  [rand() % 100, rand() % 100, rand() % 100] AS scores
FROM numbers(20000);

Случайная длина массива — от 1 до 3
Три оценки на пользователя для каждого интереса

Прочитайте статью Generating Random Data in ClickHouse, чтобы увидеть ещё больше примеров.

Создание случайных таблиц

Функция generateRandomStructure особенно полезна в сочетании с движком таблицы generateRandom для тестирования, бенчмаркинга или создания тестовых данных с произвольной схемой. Для начала просто посмотрим, как выглядит случайная структура с помощью функции generateRandomStructure:

SELECT generateRandomStructure(5);

Вы можете увидеть примерно следующее:

c1 UInt32, c2 Array(String), c3 DateTime, c4 Nullable(Float64), c5 Map(String, Int16)

Вы также можете использовать seed, чтобы каждый раз получать одну и ту же структуру:

SELECT generateRandomStructure(3, 42);

c1 String, c2 Array(Nullable(Int32)), c3 Tuple(UInt8, Date)

Теперь давайте создадим реальную таблицу и заполним её случайными данными:

CREATE TABLE my_test_table
ENGINE = MergeTree
ORDER BY tuple()
AS SELECT * 
FROM generateRandom(
    'col1 UInt32, col2 String, col3 Float64, col4 DateTime',
    1,  -- seed для генерации данных
    10  -- количество различных случайных значений
)
LIMIT 100;  -- 100 строк

-- Шаг 2: запрос к новой таблице
SELECT * FROM my_test_table LIMIT 5;

┌───────col1─┬─col2──────┬─────────────────────col3─┬────────────────col4─┐
│ 4107652264 │ &b!M-e;7  │  1.0013455832230728e-158 │ 2059-08-14 19:03:26 │
│  652895061 │ Dj7peUH{T │   -1.032074207667996e112 │ 2079-10-06 04:18:16 │
│ 2319105779 │ =D[       │    -2.066555415720528e88 │ 2015-04-26 11:44:13 │
│ 1835960063 │ _@}a      │  -1.4998020545039013e110 │ 2063-03-03 20:36:55 │
│  730412674 │ _}!       │ -1.3578492992094465e-275 │ 2098-08-23 18:23:37 │
└────────────┴───────────┴──────────────────────────┴─────────────────────┘

Давайте объединим обе функции, чтобы получить совершенно случайную таблицу. Сначала посмотрим, какую структуру мы получим:

SELECT generateRandomStructure(7, 123) AS structure FORMAT vertical;

┌─structure──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ c1 Decimal64(7), c2 Enum16('c2V0' = -21744, 'c2V1' = 5380), c3 Int8, c4 UUID, c5 UUID, c6 FixedString(190), c7 Map(Enum16('c7V0' = -19581, 'c7V1' = -10024, 'c7V2' = 27615, 'c7V3' = -10177, 'c7V4' = -19644, 'c7V5' = 3554, 'c7V6' = 29073, 'c7V7' = 28800, 'c7V8' = -11512), Float64) │
└────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Теперь создайте таблицу с такой структурой и используйте оператор DESCRIBE, чтобы посмотреть, что у нас получилось:

CREATE TABLE fully_random_table
ENGINE = MergeTree
ORDER BY tuple()
AS SELECT * 
FROM generateRandom(generateRandomStructure(7, 123), 1, 10)
LIMIT 1000;

DESCRIBE TABLE fully_random_table;

   ┌─name─┬─type─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ c1   │ Decimal(18, 7)                                                                                                                                                           │              │                    │         │                  │                │
│ c2   │ Enum16('c2V0' = -21744, 'c2V1' = 5380)                                                                                                                                   │              │                    │         │                  │                │
│ c3   │ Int8                                                                                                                                                                     │              │                    │         │                  │                │
│ c4   │ UUID                                                                                                                                                                     │              │                    │         │                  │                │
│ c5   │ UUID                                                                                                                                                                     │              │                    │         │                  │                │
│ c6   │ FixedString(190)                                                                                                                                                         │              │                    │         │                  │                │
│ c7   │ Map(Enum16('c7V4' = -19644, 'c7V0' = -19581, 'c7V8' = -11512, 'c7V3' = -10177, 'c7V1' = -10024, 'c7V5' = 3554, 'c7V2' = 27615, 'c7V7' = 28800, 'c7V6' = 29073), Float64) │              │                    │         │                  │                │
   └──────┴──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘

Просмотрите первую строку, чтобы увидеть пример сгенерированных данных:

SELECT * FROM fully_random_table LIMIT 1 FORMAT vertical;

Row 1:
──────
c1: 80416293882.257732 -- 80.42 billion
c2: c2V1
c3: -84
c4: 1a9429b3-fd8b-1d72-502f-c051aeb7018e
c5: 7407421a-031f-eb3b-8571-44ff279ddd36
c6: g̅b�&��rҵ���5C�\�|��H�>���l'V3��R�[��=3�G�LwVMR*s緾/2�J.���6#��(�h>�lە��L^�M�:�R�9%d�ž�zv��W����Y�S��_no��BP+��u��.0��UZ!x�@7:�nj%3�Λd�S�k>���w��|�&��~
c7: {'c7V8':-1.160941256852442}

​Простой однородный набор данных

​Экспоненциальное распределение

​События, распределённые по времени (Пуассон)

​Нормальное распределение, меняющееся со временем

​Категориальные и вложенные данные

​Создание случайных таблиц

Простой однородный набор данных

Экспоненциальное распределение

События, распределённые по времени (Пуассон)

Нормальное распределение, меняющееся со временем

Категориальные и вложенные данные

Создание случайных таблиц