BigQuery 中的 PERCENT_RANK() 返回超出资源

Question

当我尝试在大型数据集上使用 PERCENT_RANK() 时，它会给我一个错误。

SELECT 
  a2_lngram, 
  a2_decade, 
  a2_totalfreq, 
  a2_totalbooks, 
  a2_freq, a2_bfreq, 
  a2_arf, 
  c_avgarf, 
  d_arf, 
  oi, 
  PERCENT_RANK() OVER (ORDER BY d_arf DESC) plarf 
FROM [trigram.trigrams8]

使用目标表和AllowLargeResults返回：

“查询执行期间超出资源。”

当我将结果限制为几百个时，它运行良好。

作业ID：oticyproject1：job_PpTpmMXYETUMiM_2scGgc997JVg 数据集是公开的。

Answer 1

这是预期的：分析/窗口函数的输入需要适合一个节点才能成功运行。

PERCENT_RANK() OVER (ORDER BY d_arf DESC) plarf

仅当所有行都适合一个节点时才会运行。如果不这样做，您将看到“查询执行期间超出资源”错误。

有一种方法可以扩展分析函数：对数据进行分区。

PERCENT_RANK() OVER (PARTITION BY country ORDER BY d_arf DESC) plarf

...那么该函数可以在多个节点上运行，只要每个“国家/地区”行适合一个虚拟机。

但不是你的情况 - 我在这里要做的修复是计算单独的子查询、连接和除法的总数。

总之，分析函数很酷，但它们在每个分区的大小上存在可扩展性问题 - 幸运的是，还有其他方法可以获得相同的结果。

Answer 2

如果您有 BQ 内存问题：

PERCENT_RANK() OVER (ORDER BY your_col DESC)

将其替换为：

(RANK() OVER (ORDER BY your_col DESC) - 1) / (COUNT(your_col) OVER () - 1)

从功能上来说两者是相等的，请参阅此处的定义：
https://cloud.google.com/bigquery/docs/reference/standard-sql/numbering_functions#percent_rank

但是，如果我使用第二个，我不会遇到内存问题，因此 RANK() OVER (ORDER BY ) 算法必须以某种方式提高内存效率。