> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-1d264819.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
> Conjunto de datos con más de 100 millones de registros que contiene información sobre lugares del mapa, como tiendas, restaurantes, parques, zonas de juegos infantiles y monumentos.
# Lugares de Foursquare
export const Image = ({img, alt, size}) => {
return
;
};
## Conjunto de datos
Este conjunto de datos de Foursquare está disponible para [descargar](https://docs.foursquare.com/data-products/docs/access-fsq-os-places)
y puede usarse gratuitamente bajo la licencia Apache 2.0.
Contiene más de 100 millones de registros de puntos de interés (POI) comerciales,
como tiendas, restaurantes, parques, zonas de juegos y monumentos. También incluye
metadatos adicionales sobre estos lugares, como categorías e información de redes sociales.
## Exploración de datos
Para explorar los datos usaremos [`clickhouse-local`](https://clickhouse.com/blog/extracting-converting-querying-local-files-with-sql-clickhouse-local), una pequeña herramienta de línea de comandos
que ofrece todo el motor de ClickHouse, aunque también puede usar
ClickHouse Cloud, `clickhouse-client` o incluso `chDB`.
Ejecute la siguiente consulta para seleccionar los datos del bucket de S3 donde están almacenados:
```sql title="Query" theme={null}
SELECT * FROM s3('s3://fsq-os-places-us-east-1/release/dt=2025-04-08/places/parquet/*') LIMIT 1
```
```response title="Response" theme={null}
Row 1:
──────
fsq_place_id: 4e1ef76cae60cd553dec233f
name: @VirginAmerica In-flight Via @Gogo
latitude: 37.62120111687914
longitude: -122.39003793803701
address: ᴺᵁᴸᴸ
locality: ᴺᵁᴸᴸ
region: ᴺᵁᴸᴸ
postcode: ᴺᵁᴸᴸ
admin_region: ᴺᵁᴸᴸ
post_town: ᴺᵁᴸᴸ
po_box: ᴺᵁᴸᴸ
country: US
date_created: 2011-07-14
date_refreshed: 2018-07-05
date_closed: 2018-07-05
tel: ᴺᵁᴸᴸ
website: ᴺᵁᴸᴸ
email: ᴺᵁᴸᴸ
facebook_id: ᴺᵁᴸᴸ
instagram: ᴺᵁᴸᴸ
twitter: ᴺᵁᴸᴸ
fsq_category_ids: ['4bf58dd8d48988d1f7931735']
fsq_category_labels: ['Travel and Transportation > Transport Hub > Airport > Plane']
placemaker_url: https://foursquare.com/placemakers/review-place/4e1ef76cae60cd553dec233f
geom: �^��a�^@B�
bbox: (-122.39003793803701,37.62120111687914,-122.39003793803701,37.62120111687914)
```
Vemos que bastantes campos tienen `ᴺᵁᴸᴸ`, así que podemos añadir algunas condiciones más
a nuestra consulta para obtener datos más útiles:
```sql title="Query" theme={null}
SELECT * FROM s3('s3://fsq-os-places-us-east-1/release/dt=2025-04-08/places/parquet/*')
WHERE address IS NOT NULL AND postcode IS NOT NULL AND instagram IS NOT NULL LIMIT 1
```
```response theme={null}
Row 1:
──────
fsq_place_id: 59b2c754b54618784f259654
name: Villa 722
latitude: ᴺᵁᴸᴸ
longitude: ᴺᵁᴸᴸ
address: Gijzenveldstraat 75
locality: Zutendaal
region: Limburg
postcode: 3690
admin_region: ᴺᵁᴸᴸ
post_town: ᴺᵁᴸᴸ
po_box: ᴺᵁᴸᴸ
country: ᴺᵁᴸᴸ
date_created: 2017-09-08
date_refreshed: 2020-01-25
date_closed: ᴺᵁᴸᴸ
tel: ᴺᵁᴸᴸ
website: https://www.landal.be
email: ᴺᵁᴸᴸ
facebook_id: 522698844570949 -- 522.70 trillion
instagram: landalmooizutendaal
twitter: landalzdl
fsq_category_ids: ['56aa371be4b08b9a8d5734e1']
fsq_category_labels: ['Travel and Transportation > Lodging > Vacation Rental']
placemaker_url: https://foursquare.com/placemakers/review-place/59b2c754b54618784f259654
geom: ᴺᵁᴸᴸ
bbox: (NULL,NULL,NULL,NULL)
```
Ejecute la siguiente consulta para ver el esquema inferido automáticamente de los datos con
`DESCRIBE`:
```sql title="Query" theme={null}
DESCRIBE s3('s3://fsq-os-places-us-east-1/release/dt=2025-04-08/places/parquet/*')
```
```response title="Response" theme={null}
┌─name────────────────┬─type────────────────────────┬
1. │ fsq_place_id │ Nullable(String) │
2. │ name │ Nullable(String) │
3. │ latitude │ Nullable(Float64) │
4. │ longitude │ Nullable(Float64) │
5. │ address │ Nullable(String) │
6. │ locality │ Nullable(String) │
7. │ region │ Nullable(String) │
8. │ postcode │ Nullable(String) │
9. │ admin_region │ Nullable(String) │
10. │ post_town │ Nullable(String) │
11. │ po_box │ Nullable(String) │
12. │ country │ Nullable(String) │
13. │ date_created │ Nullable(String) │
14. │ date_refreshed │ Nullable(String) │
15. │ date_closed │ Nullable(String) │
16. │ tel │ Nullable(String) │
17. │ website │ Nullable(String) │
18. │ email │ Nullable(String) │
19. │ facebook_id │ Nullable(Int64) │
20. │ instagram │ Nullable(String) │
21. │ twitter │ Nullable(String) │
22. │ fsq_category_ids │ Array(Nullable(String)) │
23. │ fsq_category_labels │ Array(Nullable(String)) │
24. │ placemaker_url │ Nullable(String) │
25. │ geom │ Nullable(String) │
26. │ bbox │ Tuple( ↴│
│ │↳ xmin Nullable(Float64),↴│
│ │↳ ymin Nullable(Float64),↴│
│ │↳ xmax Nullable(Float64),↴│
│ │↳ ymax Nullable(Float64)) │
└─────────────────────┴─────────────────────────────┘
```
## Carga de los datos en ClickHouse
Si quieres almacenar los datos de forma persistente en disco, puedes usar `clickhouse-server`
o ClickHouse Cloud.
Para crear la tabla, ejecuta el siguiente comando:
```sql title="Query" theme={null}
CREATE TABLE foursquare_mercator
(
fsq_place_id String,
name String,
latitude Float64,
longitude Float64,
address String,
locality String,
region LowCardinality(String),
postcode LowCardinality(String),
admin_region LowCardinality(String),
post_town LowCardinality(String),
po_box LowCardinality(String),
country LowCardinality(String),
date_created Nullable(Date),
date_refreshed Nullable(Date),
date_closed Nullable(Date),
tel String,
website String,
email String,
facebook_id String,
instagram String,
twitter String,
fsq_category_ids Array(String),
fsq_category_labels Array(String),
placemaker_url String,
geom String,
bbox Tuple(
xmin Nullable(Float64),
ymin Nullable(Float64),
xmax Nullable(Float64),
ymax Nullable(Float64)
),
category LowCardinality(String) ALIAS fsq_category_labels[1],
mercator_x UInt32 MATERIALIZED 0xFFFFFFFF * ((longitude + 180) / 360),
mercator_y UInt32 MATERIALIZED 0xFFFFFFFF * ((1 / 2) - ((log(tan(((latitude + 90) / 360) * pi())) / 2) / pi())),
INDEX idx_x mercator_x TYPE minmax,
INDEX idx_y mercator_y TYPE minmax
)
ORDER BY mortonEncode(mercator_x, mercator_y)
```
Tenga en cuenta el uso del tipo de datos [`LowCardinality`](/es/reference/data-types/lowcardinality)
para varias columnas, lo que cambia la representación interna de los datos
para codificarlos mediante diccionario. Trabajar con datos codificados mediante diccionario
aumenta significativamente el rendimiento de las consultas `SELECT` en muchas aplicaciones.
Además, se crean dos columnas `UInt32` `MATERIALIZED`, `mercator_x` y `mercator_y`,
que convierten las coordenadas de latitud/longitud a la [proyección Web Mercator](https://en.wikipedia.org/wiki/Web_Mercator_projection)
para segmentar más fácilmente el mapa en teselas:
```sql theme={null}
mercator_x UInt32 MATERIALIZED 0xFFFFFFFF * ((longitude + 180) / 360),
mercator_y UInt32 MATERIALIZED 0xFFFFFFFF * ((1 / 2) - ((log(tan(((latitude + 90) / 360) * pi())) / 2) / pi())),
```
Vamos a desglosar lo que ocurre arriba en cada columna.
**mercator\_x**
Esta columna convierte un valor de longitud en una coordenada X en la proyección de Mercator:
* `longitude + 180` desplaza el rango de longitudes de \[-180, 180] a \[0, 360]
* Dividir entre 360 lo normaliza a un valor entre 0 y 1
* Multiplicar por `0xFFFFFFFF` (hexadecimal del valor máximo de un entero sin signo de 32 bits) escala este valor normalizado al rango completo de un entero de 32 bits
**mercator\_y**
Esta columna convierte un valor de latitud en una coordenada Y en la proyección de Mercator:
* `latitude + 90` desplaza la latitud de \[-90, 90] a \[0, 180]
* Dividir entre 360 y multiplicar por pi() lo convierte a radianes para las funciones trigonométricas
* La parte `log(tan(...))` es el núcleo de la fórmula de proyección de Mercator
* Multiplicar por `0xFFFFFFFF` lo escala al rango completo de enteros de 32 bits
Especificar `MATERIALIZED` garantiza que ClickHouse calcule los valores de estas
columnas cuando hacemos `INSERT` de los datos, sin tener que especificar estas columnas (que no
forman parte del esquema de datos original) en la sentencia \`INSERT.
La tabla se ordena por `mortonEncode(mercator_x, mercator_y)`, lo que genera una
curva de llenado espacial en orden Z de `mercator_x`, `mercator_y` para
mejorar significativamente el rendimiento de las consultas geoespaciales. Esta ordenación por curva en Z garantiza que los datos queden
organizados físicamente según su proximidad espacial:
```sql theme={null}
ORDER BY mortonEncode(mercator_x, mercator_y)
```
También se crean dos índices `minmax` para acelerar la búsqueda:
```sql theme={null}
INDEX idx_x mercator_x TYPE minmax,
INDEX idx_y mercator_y TYPE minmax
```
Como puede ver, ClickHouse tiene absolutamente todo lo que necesita para aplicaciones de mapas en tiempo real.
Ejecute la siguiente consulta para cargar los datos:
```sql theme={null}
INSERT INTO foursquare_mercator
SELECT * FROM s3('s3://fsq-os-places-us-east-1/release/dt=2025-04-08/places/parquet/*')
```
## Visualización de los datos
Para ver lo que se puede hacer con este conjunto de datos, eche un vistazo a [adsb.exposed](https://adsb.exposed/?dataset=Places\&zoom=5\&lat=52.3488\&lng=4.9219).
adsb.exposed fue creado originalmente por el cofundador y CTO Alexey Milovidov para visualizar datos de vuelos ADS-B (Automatic Dependent Surveillance-Broadcast),
que son 1000 veces mayores. Durante un hackatón de la empresa, Alexey añadió los datos de Foursquare a la herramienta.
A continuación, presentamos algunas de nuestras visualizaciones favoritas.