在有效范围内旋转/反规范化

问题描述 投票：0回答：2

我希望将事务数据集转入 SCD2，以捕获枢轴粒度上每个组合有效的时间间隔。

Snowflake 是我正在使用的实际 DBMS，但也标记了 Oracle，因为它们的方言几乎相同。不过，我可能可以找到为任何 DBMS 提供的解决方案。

我有工作sql，但它是从反复试验中诞生的，我觉得必须有一种我所缺少的更优雅的方式，因为它非常丑陋且计算成本昂贵。

（注意：输入数据中的第二条记录“过期”第一条记录。可以假设感兴趣的每一天都会作为 add_dts 至少出现一次。） （在最后添加为图像，直到我弄清楚标记不起作用的原因）

输入：

原_谷物 枢轴_谷物 数据透视_列 数据透视属性 添加_TS
OG-1 PG-1 第一_列 A 2020-01-01
OG-1 PG-1 第一_列 B 2020-01-02
OG-2 PG-1 第二_Col A 2020-01-01
OG-3 PG-1 第三_栏 C 2020-01-02
OG-3 PG-1 第三_栏 B 2020-01-03

输出：

枢轴_谷物 第一_列 第二_Col 第三_栏 来自_Dt 致_Dt
PG-1 A A 空 2020-01-01 2020-01-02
PG-1 B A C 2020-01-02 2020-01-03
PG-1 B A B 2020-01-03 9999-01-01 
WITH INPUT AS 
  ( SELECT 'OG-1' AS Original_Grain,
           'PG-1' AS Pivot_Grain,
           'First_Col' AS Pivot_Column,
           'A' AS Pivot_Attribute,
           TO_DATE('2020-01-01','YYYY-MM-DD') AS Add_Dts
      FROM dual
     UNION
   SELECT 'OG-1' AS Original_Grain,
           'PG-1' AS Pivot_Grain,
           'First_Col' AS Pivot_Column,
           'B' AS Pivot_Attribute,
           TO_DATE('2020-01-02','YYYY-MM-DD')
      FROM dual
     UNION
   SELECT 'OG-2' AS Original_Grain,
           'PG-1' AS Pivot_Grain,
           'Second_Col' AS Pivot_Column,
           'A' AS Pivot_Attribute,
           TO_DATE('2020-01-01','YYYY-MM-DD')
      FROM dual
     UNION
   SELECT 'OG-3' AS Original_Grain,
           'PG-1' AS Pivot_Grain,
           'Third_Col' AS Pivot_Column,
           'C' AS Pivot_Attribute,
           TO_DATE('2020-01-02','YYYY-MM-DD')
      FROM dual
     UNION
   SELECT 'OG-3' AS Original_Grain,
           'PG-1' AS Pivot_Grain,
           'Third_Col' AS Pivot_Column,
           'B' AS Pivot_Attribute,
           TO_DATE('2020-01-03','YYYY-MM-DD')
      FROM dual     
  ),
  GET_NORMALIZED_RANGES AS 
  ( SELECT I.*,
           COALESCE(
             LEAD(Add_Dts) OVER (
             PARTITION BY I.Original_Grain
                 ORDER BY I.Add_Dts), TO_DATE('9000-01-01')
             ) AS Next_Add_Dts
      FROM INPUT I
  ),
  GET_DISTINCT_ADD_DATES AS 
  ( SELECT DISTINCT Add_Dts AS Driving_Date
      FROM Input  
  ),
  NORMALIZED_EFFECTIVE_AT_EACH_POINT AS 
  ( SELECT GNR.*,
           GDAD.Driving_Date
      FROM GET_NORMALIZED_RANGES GNR
     INNER
      JOIN GET_DISTINCT_ADD_DATES GDAD
        ON GDAD.driving_date >= GNR.add_dts
       AND GDAD.driving_Date < GNR.next_add_dts
  ),
  PIVOT_EACH_POINT AS 
  ( SELECT DISTINCT
           Pivot_Grain,
           Driving_Date,
           MAX("'First_Col'") OVER ( PARTITION BY Pivot_Grain, Driving_Date) AS First_Col,
           MAX("'Second_Col'") OVER ( PARTITION BY Pivot_Grain, Driving_Date) AS Second_Col,
           MAX("'Third_Col'") OVER ( PARTITION BY Pivot_Grain, Driving_Date) AS Third_Col
      FROM NORMALIZED_EFFECTIVE_AT_EACH_POINT NEP
     PIVOT (MAX(Pivot_Attribute) FOR PIVOT_COLUMN IN ('First_Col','Second_Col','Third_Col'))
  )
  SELECT Pivot_Grain,
         Driving_Date AS From_Dt,
         COALESCE(LEAD(Driving_Date) OVER ( PARTITION BY pivot_grain ORDER BY Driving_Date),TO_DATE('9999-01-01')) AS To_Dt,
         First_Col,
         Second_Col,
         Third_Col
    FROM PIVOT_EACH_POINT
sql oracle pivot snowflake-cloud-data-platform scd
2个回答
1
投票

因此可以使用 VALUES 运算符编写输入，并将列名放入 CTE 定义中，从而占用更少的空间。

WITH input(original_grain, pivot_grain, pivot_column, pivot_attribute, add_dts) AS ( 
    SELECT * FROM VALUES 
        ('OG-1', 'PG-1', 'First_Col', 'A', '2020-01-01'::date),
        ('OG-1', 'PG-1', 'First_Col', 'B', '2020-01-02'::date),
        ('OG-2', 'PG-1', 'Second_Col', 'A', '2020-01-01'::date),
        ('OG-3', 'PG-1', 'Third_Col', 'C', '2020-01-02'::date),
        ('OG-3', 'PG-1', 'Third_Col', 'B', '2020-01-03'::date) 
)

可以通过使用默认值（隐式 COALESCE）来简化 LEAD，但有时如果这种类型的数据中有间隙，IGNORE NULLS OVER 是一个很棒的工具。

, get_normalized_ranges AS ( 
    SELECT 
        *
        ,LEAD(add_dts,1,'9000-01-01'::date) OVER (PARTITION BY original_grain ORDER BY add_dts) AS next_add_dts
    FROM input
)

get_distinct_add_dates 看起来不错。

, get_distinct_add_dates AS ( 
    SELECT DISTINCT add_dts AS driving_date
    FROM input  
)

根据您的数据

normalized_effective_at_each_point
会这样做，并在每个时间/日期点给您一个值，这将分割不相关的值（我假设pivot_grain是一些全局事物id，它是不同的数据，因此这输入支持它）

        ('OG-1', 'PG-1', 'First_Col', 'A', '2020-01-01'::date),
        ('OG-1', 'PG-1', 'First_Col', 'B', '2020-01-03'::date),
        ('OG-2', 'PG-1', 'Second_Col','A', '2020-01-01'::date),
        ('OG-3', 'PG-1', 'Third_Col', 'C', '2020-01-03'::date),
        ('OG-3', 'PG-1', 'Third_Col', 'B', '2020-01-05'::date),
        ('OG-4', 'PG-2', 'First_Col', 'D', '2020-02-02'::date),
        ('OG-4', 'PG-2', 'First_Col', 'E', '2020-02-04'::date),
        ('OG-5', 'PG-2', 'Second_Col','D', '2020-02-02'::date),
        ('OG-6', 'PG-2', 'Third_Col', 'F', '2020-02-04'::date),
        ('OG-6', 'PG-2', 'Third_Col', 'D', '2020-02-06'::date)

此时 

get_distinct_add_dates
应变为：

, get_distinct_add_dates AS ( 
    SELECT DISTINCT pivot_grain, add_dts AS driving_date
    FROM input  
)

INNER JOIN 是一个 JOIN，所以我们可以跳过不需要的 INNER

, normalized_effective_at_each_point AS ( 
    SELECT gnr.*,
        gdad.driving_date
    FROM get_normalized_ranges AS gnr
    JOIN get_distinct_add_dates AS gdad
        ON gnr.pivot_grain = gdad.pivot_grain 
        AND gdad.driving_date >= gnr.add_dts
        AND gdad.driving_date < gnr.next_add_dts
  ),

真的

pivot_each_point
是一个三路JOIN，或者可以写一个GROUP BY，这是DISTINCT真正为我们做的，因此PIVOT消失了。

  , pivot_each_point AS (
    SELECT Pivot_Grain
        ,Driving_Date
        ,MAX(IFF(pivot_column='First_Col', Pivot_Attribute, NULL)) as first_col
        ,MAX(IFF(pivot_column='Second_Col', Pivot_Attribute, NULL)) as second_col
        ,MAX(IFF(pivot_column='Third_Col', Pivot_Attribute, NULL)) as third_col
    FROM normalized_effective_at_each_point
    GROUP BY 1,2
  )

最后，最后的领先可以放弃 COALESCE 并移至 

pivot_each_point
。

WITH input(original_grain, pivot_grain, pivot_column, pivot_attribute, add_dts) AS ( 
    SELECT * FROM VALUES 
        ('OG-1', 'PG-1', 'First_Col', 'A', '2020-01-01'::date),
        ('OG-1', 'PG-1', 'First_Col', 'B', '2020-01-03'::date),
        ('OG-2', 'PG-1', 'Second_Col','A', '2020-01-01'::date),
        ('OG-3', 'PG-1', 'Third_Col', 'C', '2020-01-03'::date),
        ('OG-3', 'PG-1', 'Third_Col', 'B', '2020-01-05'::date),
        ('OG-4', 'PG-2', 'First_Col', 'D', '2020-02-02'::date),
        ('OG-4', 'PG-2', 'First_Col', 'E', '2020-02-04'::date),
        ('OG-5', 'PG-2', 'Second_Col','D', '2020-02-02'::date),
        ('OG-6', 'PG-2', 'Third_Col', 'F', '2020-02-04'::date),
        ('OG-6', 'PG-2', 'Third_Col', 'D', '2020-02-06'::date) 
), get_normalized_ranges AS (      
    SELECT 
        *
        ,LEAD(add_dts,1,'9000-01-01'::date) OVER (PARTITION BY original_grain ORDER BY add_dts) AS next_add_dts
    FROM input
), get_distinct_add_dates AS ( 
    SELECT DISTINCT pivot_grain, add_dts AS driving_date
    FROM input  
), normalized_effective_at_each_point AS ( 
    SELECT gnr.*,
        gdad.driving_date
    FROM get_normalized_ranges AS gnr
    JOIN get_distinct_add_dates AS gdad
        ON gnr.pivot_grain = gdad.pivot_grain 
        AND gdad.driving_date >= gnr.add_dts
        AND gdad.driving_date < gnr.next_add_dts 
)
SELECT pivot_grain
    ,driving_date
    ,LEAD(driving_date, 1, '9999-01-01'::date) OVER (PARTITION BY pivot_grain ORDER BY driving_date) AS to_dt
    ,MAX(IFF(pivot_column = 'First_Col', pivot_attribute, NULL)) AS first_col
    ,MAX(IFF(pivot_column = 'Second_Col', pivot_attribute, NULL)) AS second_col
    ,MAX(IFF(pivot_column = 'Third_Col', pivot_attribute, NULL)) AS third_col
FROM normalized_effective_at_each_point
GROUP BY pivot_grain, driving_date
ORDER BY pivot_grain, driving_date;

给出结果：

PIVOT_GRAIN  DRIVING_DATE   TO_DT       FIRST_COL   SECOND_COL  THIRD_COL
PG-1         2020-01-01     2020-01-03  A           A           null
PG-1         2020-01-03     2020-01-05  B           A           C
PG-1         2020-01-05     9999-01-01  B           A           B
PG-2         2020-02-02     2020-02-04  D           D           null
PG-2         2020-02-04     2020-02-06  E           D           F
PG-2         2020-02-06     9999-01-01  E           D           D

我忍不住认为我已经将处理数据的方式过度映射到您的 PIVOT_GRAIN 上。既然我理解了代码，我就开始尝试从第一原理再次解决这个问题，我认为前三个处理 CTE 就是我将如何做到的，因此 GROUP BY 也是我将如何做其余的，许多 JOIN 似乎真的恶心，对于 Snowflake，我更喜欢这种爆炸数据，然后合并（或分组依据）数据，因为它都很好并且可并行化。

0
投票

不确定这是否回答了您的问题，但请参阅https://jeffreyjacobs.wordpress.com/2021/03/03/pivoting-iiot-data-in-snowflake/

最新问题
© www.soinside.com 2019 - 2024. All rights reserved.