AskOverflow.Dev

AskOverflow.Dev Logo AskOverflow.Dev Logo

AskOverflow.Dev Navigation

  • Início
  • system&network
  • Ubuntu
  • Unix
  • DBA
  • Computer
  • Coding
  • LangChain

Mobile menu

Close
  • Início
  • system&network
    • Recentes
    • Highest score
    • tags
  • Ubuntu
    • Recentes
    • Highest score
    • tags
  • Unix
    • Recentes
    • tags
  • DBA
    • Recentes
    • tags
  • Computer
    • Recentes
    • tags
  • Coding
    • Recentes
    • tags
Início / dba / Perguntas / 213183
Accepted
irimias
irimias
Asked: 2018-07-26 03:54:37 +0800 CST2018-07-26 03:54:37 +0800 CST 2018-07-26 03:54:37 +0800 CST

Avaliando os valores mais frequentes de colunas em uma única consulta

  • 772

Tenho uma tabela descrevendo os usuários do meu aplicativo com alguns detalhes como nome, sobrenome, data de nascimento, nacionalidade, email, etc...

Gostaria de saber para cada propriedade, e para cada categoria de usuário, o valor mais frequente e a porcentagem de ocorrência.

Por exemplo :

create table test ( userId int identity(1,1), 
                    categoryId int, 
                    name varchar(50), 
                    surname varchar(50))

insert into test(categoryId, name, surname)
values  (1, 'John', 'Locke'),
        (1, 'John', 'Millar'),
        (1, 'James', 'Mill'),
        (1, 'John Stuart', 'Mill'),
        (2, 'Thomas', 'Bayes'),
        (2, 'Laurent', 'Schwartz'),
        (2, 'Herrmann Amandus', 'Schwartz'),
        (2, 'Thomas', 'Simpson'),
        (2, 'Leonhard', 'Euler')

Resultado deve ser:

+------------+-------+--------+---------+----------+------------+
| categoryId | total |  name  | namePct | surname  | surnamePct |
+------------+-------+--------+---------+----------+------------+
|          1 |     4 | John   |    0.50 | Mill     |       0.50 |
|          2 |     5 | Thomas |    0.40 | Schwartz |       0.40 |
+------------+-------+--------+---------+----------+------------+

Para este exemplo simples, posso descobrir como posso conseguir isso, com uma consulta como:

select  t.categoryId, 
        t.total, 
        n.name, 
        1. * n.total / t.total as namePct,
        sn.surname,
        1. * sn.total / t.total as surnamePct
from (
    select categoryId, count(*) as total
    from test
    group by categoryId
    ) t
join (
        select categoryId, name, total
        from (
            select categoryId, name, total, row_number() over(partition by categoryId order by total desc) as rn
            from (
                select categoryId, name, count(*) as total
                from test
                group by categoryId, name
                ) t
            ) t
        where rn = 1
        ) n on t.categoryId = n.categoryId
join (
        select categoryId, surname, total
        from (
            select categoryId, surname, total, row_number() over(partition by categoryId order by total desc) as rn
            from (
                select categoryId, surname, count(*) as total
                from test
                group by categoryId, surname
                ) t
            ) t
        where rn = 1
        ) sn on t.categoryId = sn.categoryId

Mas, no meu caso de uso real, minha tabela tem milhões de linhas, centenas de categorias e uma dúzia de atributos.

Existe uma maneira de tornar a consulta mais simples e eficiente (ou seja, sem um monte de sub-select para cada atributo)?

Atualmente estou usando o SQL Server 2008, mas respostas usando versões mais recentes são bem-vindas.

sql-server sql-server-2008
  • 1 1 respostas
  • 10139 Views

1 respostas

  • Voted
  1. Best Answer
    EzLo
    2018-07-26T05:29:29+08:002018-07-26T05:29:29+08:00

    Você pode usar a versão em janela de function COUNT(), dividida por cada categoria PARTITION BYpara obter contagens e totais sem uma subconsulta (observe a falta de GROUP BY):

    SELECT
        T.categoryId,
    
        T.name,
        NameOccurencies = COUNT(T.name) OVER (PARTITION BY T.categoryId, T.name),
        NameTotals = COUNT(T.name) OVER (PARTITION BY T.categoryId),
    
        T.surname,
        SurnameOccurencies = COUNT(T.surname) OVER (PARTITION BY T.categoryId, T.surname),
        SurnameTotals = COUNT(T.surname) OVER (PARTITION BY T.categoryId)
    FROM
        #test AS T
    

    Resultado:

    categoryId  name                NameOccurencies NameTotals  surname             SurnameOccurencies  SurnameTotals
    1           John                2               4           Locke               1                   4
    1           John Stuart         1               4           Mill                2                   4
    1           James               1               4           Mill                2                   4
    1           John                2               4           Millar              1                   4
    2           Thomas              2               5           Bayes               1                   5
    2           Leonhard            1               5           Euler               1                   5
    2           Herrmann Amandus    1               5           Schwartz            2                   5
    2           Laurent             1               5           Schwartz            2                   5
    2           Thomas              2               5           Simpson             1                   5
    

    Então você pode usar esse resultado para obter cada porcentagem simplesmente dividindo as ocorrências por cada total. Você também pode calcular o melhor nome e sobrenome (mais frequente) usando um ROW_NUMBER()nesta etapa:

    ;WITH Totals AS
    (
        SELECT
            T.categoryId,
    
            T.name,
            NameOccurencies = COUNT(T.name) OVER (PARTITION BY T.categoryId, T.name),
            NameTotals = COUNT(T.name) OVER (PARTITION BY T.categoryId),
    
            T.surname,
            SurnameOccurencies = COUNT(T.surname) OVER (PARTITION BY T.categoryId, T.surname),
            SurnameTotals = COUNT(T.surname) OVER (PARTITION BY T.categoryId)
        FROM
            #test AS T
    )
    SELECT
        T.categoryId,
    
        T.name,
        NamePercentage = T.NameOccurencies * 1.0 / NULLIF(T.NameTotals, 0),
        NameMostFrequentRanking = ROW_NUMBER() OVER (
            PARTITION BY
                T.categoryId
            ORDER BY 
                T.NameOccurencies * 1.0 / NULLIF(T.NameTotals, 0) DESC), -- NamePercentage
    
        T.surname,
        SurnamePercentage = T.SurnameOccurencies * 1.0 / NULLIF(T.SurnameTotals, 0),
        SurnameMostFrequentRanking = ROW_NUMBER() OVER (
            PARTITION BY
                T.categoryId
            ORDER BY 
                T.SurnameOccurencies * 1.0 / NULLIF(T.SurnameTotals, 0) DESC) -- SurnamePercentage
    FROM
        Totals AS T
    

    Resultado:

    categoryId  name                NamePercentage  NameMostFrequentRanking surname     SurnamePercentage   SurnameMostFrequentRanking
    1           John Stuart         0.250000000000  3                       Mill        0.500000000000      1
    1           James               0.250000000000  4                       Mill        0.500000000000      2
    1           John                0.500000000000  1                       Millar      0.250000000000      3
    1           John                0.500000000000  2                       Locke       0.250000000000      4
    2           Herrmann Amandus    0.200000000000  4                       Schwartz    0.400000000000      1
    2           Laurent             0.200000000000  5                       Schwartz    0.400000000000      2
    2           Thomas              0.400000000000  1                       Simpson     0.200000000000      3
    2           Thomas              0.400000000000  2                       Bayes       0.200000000000      4
    2           Leonhard            0.200000000000  3                       Euler       0.200000000000      5
    

    Finalmente, para cada categoria disponível...

    SELECT
        T.categoryId,
        TotalRecords = COUNT(1)
    FROM
        #test AS T
    GROUP BY
        T.categoryId
    

    podemos obter o nome e sobrenome mais frequentes com suas porcentagens com algumas junções:

    ;WITH Totals AS
    (
        SELECT
            T.categoryId,
    
            T.name,
            NameOccurencies = COUNT(T.name) OVER (PARTITION BY T.categoryId, T.name),
            NameTotals = COUNT(T.name) OVER (PARTITION BY T.categoryId),
    
            T.surname,
            SurnameOccurencies = COUNT(T.surname) OVER (PARTITION BY T.categoryId, T.surname),
            SurnameTotals = COUNT(T.surname) OVER (PARTITION BY T.categoryId)
        FROM
            #test AS T
    ),
    MostFrequentRanking AS
    (
        SELECT
            T.categoryId,
    
            T.name,
            NamePercentage = T.NameOccurencies * 1.0 / NULLIF(T.NameTotals, 0),
            NameMostFrequentRanking = ROW_NUMBER() OVER (
                PARTITION BY
                    T.categoryId
                ORDER BY 
                    T.NameOccurencies * 1.0 / NULLIF(T.NameTotals, 0) DESC),
    
            T.surname,
            SurnamePercentage = T.SurnameOccurencies * 1.0 / NULLIF(T.SurnameTotals, 0),
            SurnameMostFrequentRanking = ROW_NUMBER() OVER (
                PARTITION BY
                    T.categoryId
                ORDER BY 
                    T.SurnameOccurencies * 1.0 / NULLIF(T.SurnameTotals, 0) DESC)
        FROM
            Totals AS T
    ),
    AvailableCategories AS
    (
        SELECT
            T.categoryId,
            TotalRecords = COUNT(1)
        FROM
            #test AS T
        GROUP BY
            T.categoryId
    )
    SELECT
        A.categoryId,
        A.TotalRecords,
        MN.name,
        NamePercentage = CONVERT(DECIMAL(3, 2), MN.NamePercentage),
        MS.surname,
        SurnamePercentage = CONVERT(DECIMAL(3, 2), MS.SurnamePercentage)
    FROM
        AvailableCategories AS A
        LEFT JOIN MostFrequentRanking AS MN ON 
            A.categoryId = MN.categoryId AND
            MN.NameMostFrequentRanking = 1
        LEFT JOIN MostFrequentRanking AS MS ON 
            A.categoryId = MS.categoryId AND
            MS.SurnameMostFrequentRanking = 1
    

    Resultado:

    categoryId  TotalRecords    name    NamePercentage  surname     SurnamePercentage
    1           4               John    0.50            Mill        0.50
    2           5               Thomas  0.40            Schwartz    0.40
    

    Pode ser um pouco grande, mas você pode editar essa consulta com quantas novas colunas quiser sem adicionar new SELECT, apenas repetindo a mesma lógica com cada nova coluna que deseja exibir e uma junção adicional no final.

    Se você tiver milhões de registros e a consulta demorar muito, convém dividir cada CTE em uma tabela temporária com SELECT ... INTO+ CREATE INDEXpor categoryIdpara acelerar o processo (se estiver disposto a gastar alguns recursos criando essas tabelas)

    • 4

relate perguntas

  • Quais são as principais causas de deadlocks e podem ser evitadas?

  • Quanto "Padding" coloco em meus índices?

  • Existe um processo do tipo "práticas recomendadas" para os desenvolvedores seguirem para alterações no banco de dados?

  • Como determinar se um Índice é necessário ou necessário

  • Downgrade do SQL Server 2008 para 2005

Sidebar

Stats

  • Perguntas 205573
  • respostas 270741
  • best respostas 135370
  • utilizador 68524
  • Highest score
  • respostas
  • Marko Smith

    conectar ao servidor PostgreSQL: FATAL: nenhuma entrada pg_hba.conf para o host

    • 12 respostas
  • Marko Smith

    Como fazer a saída do sqlplus aparecer em uma linha?

    • 3 respostas
  • Marko Smith

    Selecione qual tem data máxima ou data mais recente

    • 3 respostas
  • Marko Smith

    Como faço para listar todos os esquemas no PostgreSQL?

    • 4 respostas
  • Marko Smith

    Listar todas as colunas de uma tabela especificada

    • 5 respostas
  • Marko Smith

    Como usar o sqlplus para se conectar a um banco de dados Oracle localizado em outro host sem modificar meu próprio tnsnames.ora

    • 4 respostas
  • Marko Smith

    Como você mysqldump tabela (s) específica (s)?

    • 4 respostas
  • Marko Smith

    Listar os privilégios do banco de dados usando o psql

    • 10 respostas
  • Marko Smith

    Como inserir valores em uma tabela de uma consulta de seleção no PostgreSQL?

    • 4 respostas
  • Marko Smith

    Como faço para listar todos os bancos de dados e tabelas usando o psql?

    • 7 respostas
  • Martin Hope
    Jin conectar ao servidor PostgreSQL: FATAL: nenhuma entrada pg_hba.conf para o host 2014-12-02 02:54:58 +0800 CST
  • Martin Hope
    Stéphane Como faço para listar todos os esquemas no PostgreSQL? 2013-04-16 11:19:16 +0800 CST
  • Martin Hope
    Mike Walsh Por que o log de transações continua crescendo ou fica sem espaço? 2012-12-05 18:11:22 +0800 CST
  • Martin Hope
    Stephane Rolland Listar todas as colunas de uma tabela especificada 2012-08-14 04:44:44 +0800 CST
  • Martin Hope
    haxney O MySQL pode realizar consultas razoavelmente em bilhões de linhas? 2012-07-03 11:36:13 +0800 CST
  • Martin Hope
    qazwsx Como posso monitorar o andamento de uma importação de um arquivo .sql grande? 2012-05-03 08:54:41 +0800 CST
  • Martin Hope
    markdorison Como você mysqldump tabela (s) específica (s)? 2011-12-17 12:39:37 +0800 CST
  • Martin Hope
    Jonas Como posso cronometrar consultas SQL usando psql? 2011-06-04 02:22:54 +0800 CST
  • Martin Hope
    Jonas Como inserir valores em uma tabela de uma consulta de seleção no PostgreSQL? 2011-05-28 00:33:05 +0800 CST
  • Martin Hope
    Jonas Como faço para listar todos os bancos de dados e tabelas usando o psql? 2011-02-18 00:45:49 +0800 CST

Hot tag

sql-server mysql postgresql sql-server-2014 sql-server-2016 oracle sql-server-2008 database-design query-performance sql-server-2017

Explore

  • Início
  • Perguntas
    • Recentes
    • Highest score
  • tag
  • help

Footer

AskOverflow.Dev

About Us

  • About Us
  • Contact Us

Legal Stuff

  • Privacy Policy

Language

  • Pt
  • Server
  • Unix

© 2023 AskOverflow.DEV All Rights Reserve