两列上的 BigQuery 重复数据删除作为唯一键
Posted
技术标签:
【中文标题】两列上的 BigQuery 重复数据删除作为唯一键【英文标题】:BigQuery DeDuplication on two columns as unique key 【发布时间】:2016-07-18 21:46:35 【问题描述】:我们虔诚地使用 BigQuery,并拥有两个表,它们基本上是由不同的进程并行更新的。我遇到的问题是我们没有表的唯一标识符,目标是尽可能将两个表组合成零重复。唯一标识符是两列组合。
我尝试了各种基于 mysql 的查询,但在 BigQuery 中似乎都没有。所以我在这里发帖寻求帮助。 :)
第 1 步。将“干净”表复制到新的合并表中。
第 2 步。查询“脏”(旧)表并插入任何缺失的条目。
查询尝试 1:
SELECT
COUNT(c.*)
FROM
[flash-student-96619:device_data.device_datav3_20160530] AS old
WHERE NOT EXISTS (
SELECT
1
FROM
[flash-student-96619:device_data_v7_merged.20160530] AS new
WHERE
new.dsn = old.dsn
AND new.timestamp = old.timestamp
)
错误:错误发生在:6.1 - 10.65。一次只能执行一个查询。
查询尝试 2:
SELECT
*
FROM
[flash-student-96619:device_data.device_datav3_20160530]
WHERE
(dsn, timestamp) NOT IN (
SELECT
dsn,
timestamp
FROM
[flash-student-96619:device_data_v7_merged.20160530]
)
错误:在第 6 行第 7 列遇到“”、“”、“”。期待:“)”...
老实说,如果我能在一个查询中做到这一点,我会很高兴。我需要从两个表中获取数据,并使用唯一数据创建一个新表。
有什么帮助吗?
【问题讨论】:
【参考方案1】:类似下面的东西应该可以工作
SELECT *
FROM (
SELECT *,
ROW_NUMBER() OVER(PARTITION BY dsn, timestamp) AS dup
FROM
[flash-student-96619:device_data.device_datav3_20160530],
[flash-student-96619:device_data_v7_merged.20160530]
)
WHERE dup = 1
我建议在外部 SELECT 中使用明确的字段列表而不是 *,这样您就可以从实际输出中省略 dup
【讨论】:
两张桌子怎么样。我不想对一张表本身进行重复数据删除,而是对另一张表进行重复数据删除。我想我可以写一个表,然后重新写一个表...... 这是要遵循的方向 :o) - 无论如何添加了第二个表 - 想法是删除组合数据(来自两个表)并将其写入最终的干净表。希望这就是你想要实现的目标 你着火了,我的朋友。【参考方案2】:有点晚了,但我想指出您的原始查询使用standard SQL 进行了少量修改(取消选中“显示选项”下的“使用旧版 SQL”框)。我只需将new
更改为其他内容,因为这是保留关键字。例如,这个查询是有效的:
WITH OldData AS (
SELECT
x AS dsn,
TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
FROM UNNEST([1, 2, 3, 4]) AS x),
NewData AS (
SELECT
x AS dsn,
TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
FROM UNNEST([5, 2, 1, 6]) AS x)
SELECT
COUNT(*)
FROM OldData oldData
WHERE NOT EXISTS (
SELECT 1
FROM NewData newData
WHERE
newData.dsn = oldData.dsn
AND newData.timestamp = oldData.timestamp
);
+-----+
| f0_ |
+-----+
| 2 |
+-----+
关于你的第二次尝试,你可以这样做:
WITH OldData AS (
SELECT
x AS dsn,
TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
FROM UNNEST([1, 2, 3, 4]) AS x),
NewData AS (
SELECT
x AS dsn,
TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
FROM UNNEST([5, 2, 1, 6]) AS x)
SELECT
*
FROM OldData
WHERE
STRUCT(dsn, timestamp) NOT IN (
SELECT AS STRUCT
dsn,
timestamp
FROM NewData);
+-----+---------------------+
| dsn | timestamp |
+-----+---------------------+
| 3 | 2016-07-21 11:54:08 |
| 4 | 2016-07-21 10:54:08 |
+-----+---------------------+
【讨论】:
以上是关于两列上的 BigQuery 重复数据删除作为唯一键的主要内容,如果未能解决你的问题,请参考以下文章