ベクトルデータベースを用いた高度なFacebookイベントデータ分析

     import pandas as pd
from apify_client import ApifyClient
# APIトークンでApifyClientを初期化する
client = ApifyClient("Enter_your_apify_key_here")

# アクターの入力を準備する
run_input = {
    "searchQueries": ["Sport New York"],
    "startUrls": [],
    "maxEvents": 50,
}

# アクターを実行し、完了するまで待つ
run = client.actor("UZBnerCFBo5FgGouO").call(run_input=run_input)

df_columns = ['Name', 'Datetime', 'Description', 'Users_Going', 'Users_Interested', 'Users_Responded', 'City', 'Organized_By', 'Street_Address']
dataframe1 = pd.DataFrame(columns=df_columns)

for item in client.dataset(run["defaultDatasetId"]).iterate_items():
    # 辞書の理解を使用してNone値を空の文字列で置き換える
    row = {
        'Name': item.get('name', ''),
        'Datetime': item.get('dateTimeSentence', ''),
        'Description': item.get('description', ''),
        'Users_Going': item.get('usersGoing', ''),
        'Users_Interested': item.get('usersInterested', ''),
        'Users_Responded': item.get('usersResponded', ''),
        'City': item.get('location', {}).get('city', '') if item.get('location') else '',
        'Organized_By': item.get('organizedBy', ''),
        'Street_Address': item.get('location', {}).get('streetAddress', '') if item.get('location') else ''
    }
    # すべてのNone値が空の文字列で置き換えられていることを確認する
    row = {k: (v if v is not None else '') for k, v in row.items()}
    dataframe1 = dataframe1._append(row, ignore_index=True)

# データのクリーニング
dataframe1['Description'] = dataframe1['Description'].replace('\\n', '', regex=True)

     # データ操作と日付解析に必要なライブラリをインポート
import pandas as pd
import numpy as np
from datetime import datetime
from dateutil import parser

# 範囲または単一の日付を表す可能性のある日付文字列を解析する関数
def parse_dates(date_str):
    # 日付文字列にダッシュが含まれているかどうかをチェックし、範囲を示します
    if '-' in date_str:
        parts = date_str.split('-')
        # 文字列が2つの部分に分割された場合、それは有効な範囲です
        if len(parts) == 2:
            try:
                # 開始日と終了日を解析し、読みやすい形式にフォーマットします
                start_date = parser.parse(parts[0], fuzzy=True).strftime('%a, %b %d')
                end_date = parser.parse(parts[1], fuzzy=True).strftime('%a, %b %d')
                return start_date, end_date
            except ValueError:
                # 解析エラーの場合は何もしない（以下で処理します）
                pass  
    # 範囲でない場合や範囲の解析が失敗した場合は、単一の日付として解析を試みます
    try:
        parsed_date = parser.parse(date_str, fuzzy=True)
        # 開始日に対して単一の日付をフォーマットし、終了日に対しては異なるフォーマットを使用します
        start_date = parsed_date.strftime('%a, %b %d AT %I:%M %p EDT')
        end_date = parsed_date.strftime('%a, %b %d')  # Omitting time for end_date
        return start_date, end_date
    except ValueError:
        # 解析が失敗した場合は、両方の日付にNaNを返します
        return np.nan, np.nan  

# 日付文字列から詳細な日付、時刻、曜日を抽出する関数
def extract_date_time_day(date_str):
    try:
        # 入力形式に多少の柔軟性を許容して日付文字列を解析します
        parsed_date = parser.parse(date_str, fuzzy=True)
        # 日付、時刻、および曜日の部分を抽出してフォーマットします
        date = parsed_date.strftime('%Y-%m-%d')
        day = parsed_date.strftime('%a')
        # 元の文字列に時間コンポーネントが含まれていたかどうかを判断します
        time_component = parsed_date.strftime('%I:%M %p') not in date_str
        time = parsed_date.strftime('%H:%M:%S') if not time_component else np.nan
    except ValueError:
        # 解析に失敗した場合は、日付、時刻、および曜日をNaNに設定します
        date, time, day = np.nan, np.nan, np.nan
    
    return date, time, day

# parse_dates関数をデータフレーム全体に適用し、開始日と終了日の新しい列を作成します
dataframe1[['Start_Date', 'End_Date']] = dataframe1.apply(lambda row: pd.Series(parse_dates(row['Datetime'])), axis=1)

# Start_DateがNaNの行を削除し、解析が失敗したことを示します
dataframe = dataframe1.dropna(subset=['Start_Date'])

# extract_date_time_dayを適用して、開始日と終了日を個別の日付、時刻、および曜日の列に分割します
dataframe['Start_Date'], dataframe['Start_Time'], dataframe['Start_Day'] = zip(*dataframe['Start_Date'].apply(extract_date_time_day))
dataframe['End_Date'], _, dataframe['End_Day'] = zip(*dataframe['End_Date'].apply(extract_date_time_day))

# もはや必要でないため、元の'Datetime'列を削除します
dataframe=dataframe.drop(['Datetime'], axis=1)

# 'Start_Date'と'End_Date'をdatetime形式に変換し、日付のみを抽出します
dataframe['Start_Date'] = pd.to_datetime(dataframe['Start_Date']).dt.date
dataframe['End_Date'] = pd.to_datetime(dataframe['End_Date']).dt.date

# 'Start_Time'をdatetime形式に変換し、時刻情報を保持します
dataframe['Start_Time'] = pd.to_datetime(dataframe['Start_Time'])

     # OpenAIライブラリをインポートしてAPIアクセスを行います。
from openai import OpenAI 
# APIキーを使用してOpenAIクライアントを初期化します。
openai_client = OpenAI(api_key="your_openai_api_key_here")
# テキスト埋め込みを取得する関数 
def get_embedding(text, model="text-embedding-3-small"):
    return openai_client.embeddings.create(input=text, model=model).data
embeddings = get_embedding(dataframe["Description"].tolist())
# 埋め込みオブジェクトから埋め込みベクトルを抽出します
vectors = [embedding.embedding for embedding in embeddings]
array = np.array(vectors)
embeddings_series = pd.Series(list(array))
# 埋め込みをDataFrameに新しい列として追加します。
dataframe['Description_Embeddings'] = embeddings_series

     import clickhouse_connect
client = clickhouse_connect.get_client(
    host='host_name_here',
    port=443,
    username='username_here',
    password='passwd_here'
)

     client.command("""
    CREATE TABLE default.Events (
    Name String,
    Description String,
    Users_Going Int64,
    Users_Interested Int64,
    Users_Responded Int64,
    City String,
    Organized_By String,
    Street_Address String,
    Start_Date Date32,
    End_Date Nullable(Date32),
    Start_Time Nullable(DateTime64),
    Start_Day String,
    End_Day String,
    Description_Embeddings Array(Float32),
    CONSTRAINT check_data_length CHECK length(Description_Embeddings) = 1536
    ) ENGINE = MergeTree()
    ORDER BY (Name);
    """)

     batch_size = 10  # Adjust based on your needs

num_batches = len(dataframe) // batch_size

for i in range(num_batches):
    start_idx = i * batch_size
    end_idx = start_idx + batch_size
    batch_data = dataframe[start_idx:end_idx]
    # print(batch_data["Description_Embeddings"])
    client.insert("default.Events", batch_data.to_records(index=False).tolist(), column_names=batch_data.columns.tolist())
    print(f"Batch {i+1}/{num_batches} inserted.")

client.command("""
ALTER TABLE default.Events
    ADD VECTOR INDEX vector_index Description_Embeddings
    TYPE MSTG
""")

     results=client.query("""
        SELECT Name,Description FROM default.Events LIMIT 10
    """)
for row in results.named_results():
        print(row["Name"])
        print(row['Description'])

     results = client.query(f"""
        SELECT Name, City, Users_Going, Users_Interested, Users_Responded
        FROM default.Events
        ORDER BY Users_Going DESC, Users_Interested DESC
        LIMIT 10
    """)
for row in results.named_results():
        print("Event Name  ", row["Name"])
        print("City ", row["City"])
        print("Users Going ", row["Users_Going"])
        print("Interested Users ", row["Users_Interested"])

     embeddings=get_embedding(["One of the Longest Running Shows in the Country - Operating since 1974 ...NOW our 50th YEAR !!!Our Schenectady"])
embeddi=embeddings[0].embedding
results = client.query(f"""
        SELECT Name,City, Description, Users_Going,distance(Description_Embeddings, {embeddi}) as dist
        FROM default.Events
        WHERE City LIKE '%New York%' and dist < 1.5
        ORDER BY Users_Going DESC,dist
        LIMIT 10
    """)
for row in results.named_results():
        print("Event Name  ", row["Name"])
        print("Description ", row["Description"])
        print("Users Going ", row["Users_Going"])