基于String在SQL（Snowflake）中选择一行

Posted 2023-03-31

【中文标题】基于String在SQL（Snowflake）中选择一行

【英文标题】：Selecting a row in SQL (Snowflake) based on String

【发布时间】：2021-11-09 23:21:14

【问题描述】：

所以我在这里有一个顽固的人，我已经绞尽脑汁一段时间了。

假设我有一张如下表：

ID      Group                 Timestamp   Data
001         A   2021-04-13 12:51:12.063   content121
001  A-Direct   2021-04-13 12:52:13.063   content121
002  A-Direct   2021-04-13 12:50:14.063   content133
003  B-Direct   2021-04-13 12:55:12.063   content132
003         B   2021-04-13 12:56:11.063   content142
003        BA   2021-04-13 12:57:22.063   content153
004         D   2021-04-13 12:10:23.063   content113
004         C   2021-04-13 12:11:43.063   content144
005         C   2021-04-13 12:12:12.063   content111
005         A   2021-04-13 12:13:23.063   content100
005  D-Direct   2021-04-13 12:15:23.063   content121
006         A   2021-04-13 12:51:12.063   content121
006  B-Direct   2021-04-13 12:52:13.063   content121
007  A-Direct   2021-04-13 12:51:12.063   content121
007         A   2021-04-13 12:52:13.063   content121
008  B-Direct   2021-04-13 12:55:12.063   content132
008         B   2021-04-13 12:56:11.063   content142
008  B-Direct   2021-04-13 12:57:22.063   content153
009  B-Direct   2021-04-13 12:55:12.063   content132
009  C-Direct   2021-04-13 12:56:11.063   content142
009  D-Direct   2021-04-13 12:57:22.063   content153

所以我需要一个表，其中每一行都包含一个不同的 ID。但是 ID 的选择标准有点复杂。

默认选择应该是最近的条目，通过TIMESTAMP 选择。

但复杂性来自任何具有-Direct 行的 ID。具体来说，如果一行有多个条目，一个是（例如）A，另一个是A-Direct，我们需要A。只有当字母匹配时才会出现这种情况。从ID = 006 的案例中可以看出，我们想要B-Direct，因为它的对应项是A。

所以我正在寻找的核心逻辑是

如果 ID 有以相同字符串开头的行，并且其中一个以 -Direct 结尾，则将其替换为已删除的 -Direct。

最终输出：

ID      Group
001         A
002  A-Direct
003        BA
004         C
005  D-Direct
006  B-Direct
007         A
008         B
009  D-Direct

为了更清楚起见，以下是每个 ID 发生的情况的概述：

ID 001：A 后跟 A-Direct，所以我们将 A-Direct 替换为 A ID 002：A-Direct 是唯一的结果，简单！ ID 003：BA、B、B-Direct 是不同的，因此我们坚持使用最新的 BA。 ID 004：不直接，所以我们只取最近的，C ID 005: D-Direct 是最新的，但是因为没有 D ，所以我们坚持使用 D-Direct ID 006: B-Direct 是最新的，但是因为没有 B ，所以我们坚持使用 B-Direct ID 007：A-Direct 后面跟着A，所以我们只取最近的一个，没问题。 ID 008：B和B-Direct（x2）出现在这里，因此我们可以使用B。 ID 009：所有选项都是直接的，所以我们使用最新的，D-Direct

我可以弄清楚如何获得最新的，但是根据上述标准，我不确定如何调整

WITH data AS (
    select d.*,
        rank() over (
            partition by ID
            order by TIMESTAMP DESC
        ) as num
    FROM table d
)
select ID, TIMESTAMP
    from data
    where num = 1

【问题讨论】：

每个 id 可以有多个 *-direct 条目吗？还是每个 id 具有相同组的多行？

@EdmCoff，是的！参见 ID 008，有两个 B-Direct。但是两者的优先级都比B低。我还添加了一个ID 009来进一步说明。如果 Direct 上有两个不同的组具有相同的 ID（B-Direct AND C-Direct）或（B-Direct AND B-Direct），那么它只是最新的。

【参考方案1】：

我可能会从以下内容开始。它不是超级漂亮，因此可能有更好的解决方案，但我认为它可以满足您的需求。

WITH data AS (
    select d.*,
        rank() over (
            partition by ID
            order by TIMESTAMP DESC
        ) as num
    FROM table d
)
select ID, 
 CASE 
  WHEN EXISTS (SELECT * FROM table t WHERE t.id = d.id AND t.group || '-Direct' = d.group) 
   THEN replace(d.group, '-Direct') 
   ELSE d.group 
 END group
    from data d
    where num = 1

这将获取每个 id 的最新 ID（使用您当前的代码），但 select 子句中的 case/exists 语句会检查是否存在没有“-Direct”的匹配项，如果有，我们从字符串中删除“-Direct”。

【讨论】：

这不适用于我的数据。是什么||做什么？

|| 等价于concat。所以t.group || '-Direct' = d.group 正在检查是否存在与 d.group（例如“B-Direct”）匹配的 t.group（例如“B”）

【参考方案2】：

使用：

SELECT ID
   ,CASE WHEN MIN(group) OVER(PARTITION BY ID, REPLACE(group, '-Direct'))
             = MAX(group) OVER(PARTITION BY ID, REPLACE(group, '-Direct'))
         THEN group
         ELSE REPLACE(group, '-Direct')
    END AS grp
FROM tab
QUALIFY RANK() OVER(PARTITION BY ID ORDER BY TIMESTAMP DESC) = 1;

Qualify 确保获取每个时间戳的最新值，并且 case 表达式处理“-Direct”覆盖。