计算范围内的前几行

问题描述 投票：0回答：2

我想确定每一行在给定时间范围内先前记录的总数。

具体例子：

clone=# \d test
              Table "pg_temp_2.test"
 Column |            Type             | Modifiers 
--------+-----------------------------+-----------
 id     | bigint                      | 
 date   | timestamp without time zone |

我想知道每个 

date
在“之前 1 小时”内的行数 
date
。
我可以用窗口函数来做到这一点吗？类似于（伪代码，不起作用）：

SELECT id, date
     , count(*) OVER (HAVING previous_rows.date >= (date - '1 hour'::interval))  -- ?
FROM test;

我可以通过加入针对自身的测试来编写此内容，如下所示 - 但这不会随着大表而扩展。

SELECT a.id, a.date, count(b.*)-1 
FROM test a, test b 
WHERE (b.date >= a.date - '1 hour'::interval AND b.date < a.date)
GROUP BY 1,2
ORDER BY 2;

我可以用递归查询来做这件事吗？或者使用常规的通用表表达式 (CTE)？

sql postgresql plpgsql common-table-expression window-functions
2个回答
9
投票

Postgres 11 或更高版本

引用 Postgres 11 的 发行说明：

  • 添加 SQL:2011 指定的所有窗口函数框架选项（Oliver Ford、Tom Lane）

具体来说，允许 

RANGE
模式使用 
PRECEDING
和 
FOLLOWING
来 选择分组值在指定值的正负范围内的行 抵消。 [...]

所以现在就很简单了。并且比旧的解决方法更快：

SELECT id, ts
     , count(*) OVER (ORDER BY ts RANGE '1 hour' PRECEDING EXCLUDE CURRENT ROW)
FROM   test
ORDER  BY ts;

小提琴

如果 

ts
中可能存在重复项，您必须定义如何计算这些重复项，并且可能需要执行更多操作。

Postgres 10 或以上

您无法通过简单的查询、CTE 和窗口函数廉价地完成此操作 - 它们的框架定义是静态的，但您需要一个动态框架（取决于列值）。

通常，您必须仔细定义窗口的下边界和上边界：以下查询排除当前行和包括下边框。
仍然有一个细微的差别：该函数包括当前行的前一个同级，而相关子查询则排除它们......

测试用例

使用 

ts
代替保留字 
date
作为列名。

CREATE TABLE test (
  id  bigint
, ts  timestamp
);

ROM - 罗曼的查询

使用 CTE，将时间戳聚合到数组中，取消嵌套，计数...
虽然正确，但当行数超过一手时，性能会“急剧恶化”。这里有几个性能杀手。见下文。 ARR - 计算数组元素

我接受了 Roman 的查询并尝试简化它：

删除不必要的第二个 CTE。
  • 将第一个CTE转换为子查询，速度更快。
  • 直接
    • count()
  • ，而不是重新聚合到数组中并用
    array_length()
    计数。
    

    • 但是数组处理成本很高，并且随着行数的增加，性能仍然
严重恶化。

SELECT id, ts
     , (SELECT count(*)::int - 1
        FROM   unnest(dates) x
        WHERE  x >= sub.ts - interval '1h') AS ct
FROM (
   SELECT id, ts
        , array_agg(ts) OVER(ORDER BY ts) AS dates
   FROM   test
   ) sub;


COR - 相关子查询
你
可以
用一个简单的相关子查询来解决它。快了很多，但仍然...

SELECT id, ts
     , (SELECT count(*)
        FROM   test t1
        WHERE  t1.ts >= t.ts - interval '1h'
        AND    t1.ts < t.ts) AS ct
FROM   test t
ORDER  BY ts;


FNC - 功能
使用 
plpgsql 函数
中的 
row_number()
 按时间顺序循环行，并将其与 
游标 组合在同一查询上，跨越所需的时间范围。然后我们可以减去行数：
CREATE OR REPLACE FUNCTION running_window_ct(_intv interval = '1 hour')
  RETURNS TABLE (id bigint, ts timestamp, ct int)
  LANGUAGE plpgsql AS
$func$
DECLARE
   cur   CURSOR FOR
         SELECT t.ts + _intv AS ts1
              , row_number() OVER (ORDER BY t.ts ROWS UNBOUNDED PRECEDING) AS rn
         FROM   test t
         ORDER  BY t.ts;
   rec   record;
   rn    int;
BEGIN
   OPEN cur;
   FETCH cur INTO rec;
   ct := -1;  -- init

   FOR id, ts, rn IN
      SELECT t.id, t.ts
           , row_number() OVER (ORDER BY t.ts ROWS UNBOUNDED PRECEDING)
      FROM   test t ORDER BY t.ts
   LOOP
      IF rec.ts1 >= ts THEN
         ct := ct + 1;
      ELSE
         LOOP
            FETCH cur INTO rec;
            EXIT WHEN rec.ts1 >= ts;
         END LOOP;
         ct := rn - rec.rn;
      END IF;

      RETURN NEXT;
   END LOOP;
END
$func$;


为什么
ROWS UNBOUNDED PRECEDING
？参见：


查找每个客户的前 3 个订单
  • 

默认一小时间隔通话：
    • 

SELECT * FROM running_window_ct();



或任意间隔：
SELECT * FROM running_window_ct('2 hour - 3 second');



小提琴

旧sqlfiddle

基准

根据上面的表格，我在我的旧测试服务器上运行了一个快速基准测试：（Debian 上的 PostgreSQL 9.1.9）。


-- TRUNCATE test;
INSERT INTO test
SELECT g, '2013-08-08'::timestamp
         + g * interval '5 min'
         + random() * 300 * interval '1 min' -- halfway realistic values
FROM   generate_series(1, 10000) g;

CREATE INDEX test_ts_idx ON test (ts);
ANALYZE test;  -- temp table needs manual analyze



我为每次运行改变了
粗体
部分，并用
EXPLAIN ANALYZE选择了5个中最好的。

100行

ROM：27.656 毫秒
ARR：7.834 毫秒
COR：5.488 毫秒

FNC：
1.115 毫秒


1000行

ROM：2116.029 毫秒
ARR：189.679 毫秒
COR：65.802 毫秒

FNC：
8.466 毫秒


5000行

ROM：51347 毫秒！！
ARR：3167 毫秒
COR：333 毫秒

FNC：
42 毫秒


100000 行

ROM：地下城与勇士
到达：DNF
COR：6760 毫秒

FNC：
828 毫秒


函数是明显的胜利者。它速度最快一个数量级，并且扩展性最好。
数组处理无法竞争。

    





      

      
      
      

      

        

          

            

              
2
投票

              
            

          

        

        
 我之前的尝试表现不佳，因为它将所有元素组合成数组，而这不是我想要做的。所以这是一个更新版本 - 它的性能不如自连接或游标功能，但它并不像我之前的版本那么糟糕：


CREATE OR REPLACE FUNCTION agg_array_range_func
(
  accum anyarray,
  el_cur anyelement,
  el_start anyelement,
  el_end anyelement
)
returns anyarray
as
$func$
declare
    i int;
    N int;
begin
    N := array_length(accum, 1);
    i := 1;
    if N = 0 then
        return array[el_cur];
    end if;
    while i <= N loop
        if accum[i] between el_start and el_end then
            exit;
        end if;
        i := i + 1;
    end loop;
    return accum[i:N] || el_cur;
end;
$func$
LANGUAGE plpgsql;

CREATE AGGREGATE agg_array_range
(
    anyelement,
    anyelement,
    anyelement
)
(
  SFUNC=agg_array_range_func,
  STYPE=anyarray
);

select
    id, ts,
    array_length(
        agg_array_range(ts, ts - interval '1 hour', ts) over (order by ts)
    , 1) - 1
from test;



我在我的本地机器和 sqlfiddle 中进行了测试，实际上自连接表现最好（我很惊讶，我的结果与 Erwin 不一样），然后是 Erwin 函数，然后是这个聚合。您可以在
sqlfiddle
中自行测试

previous
 我仍在学习 PostgreSQL，但我非常喜欢所有的可能性。如果是 SQL Server，我会使用 select for xml 和 select from xml。我不知道如何在 PostreSQL 中做到这一点，但是对于该任务有更好的东西 - 数组！

所以这是我的带有窗口函数的 CTE（我认为如果表中存在重复的日期，它会无法正常工作，而且我也不知道它是否会比自连接表现更好）：

with cte1 as (
    select
        id, ts,
        array_agg(ts) over(order by ts asc) as dates
    from test
), cte2 as (
    select
       c.id, c.ts,
       array(
        select arr
        from (select unnest(dates) as arr) as x
        where x.arr >= c.ts - '1 hour'::interval
       ) as dates
   from cte1 as c
)
select c.id, c.ts, array_length(c.dates, 1) - 1 as cnt
from cte2 as c




参见 
sql 小提琴演示


希望有帮助
    





      

      
    

  

  

    
最新问题


  





  

    © www.soinside.com 2019 - 2024. All rights reserved.