在有效范围内旋转/非规范化
Posted
技术标签:
【中文标题】在有效范围内旋转/非规范化【英文标题】：Pivot/Denormalize Over Effective Ranges 【发布时间】：2021-03-05 19:22:00 【问题描述】：我希望将事务数据集转入 SCD2，以便捕获每个组合在转点粒度上的有效间隔。
Snowflake 是我使用的实际 DBMS，但也标记了 Oracle，因为它们的方言几乎相同。不过，我可能会找到为任何 DBMS 提供的解决方案。
我有工作的 sql，但它源于反复试验，我觉得必须有一种更优雅的方式我错过了，因为它非常丑陋且计算成本很高。
（注意：输入数据中的第二条记录“过期”了第一条记录。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，直到我弄清楚为什么标记不起作用）
输入：
| Original_Grain | Pivot_Grain | Pivot_Column | Pivot_Attribute | ADD_TS |
|---|---|---|---|---|
| OG-1 | PG-1 | First_Col | A | 2020-01-01 |
| OG-1 | PG-1 | First_Col | B | 2020-01-02 |
| OG-2 | PG-1 | Second_Col | A | 2020-01-01 |
| OG-3 | PG-1 | Third_Col | C | 2020-01-02 |
| OG-3 | PG-1 | Third_Col | B | 2020-01-03 |
输出：
| Pivot_Grain | First_Col | Second_Col | Third_Col | From_Dt | To_Dt |
|---|---|---|---|---|---|
| PG-1 | A | A | NULL | 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
【问题讨论】：
表格标记在预览中有效，但在实际帖子中无效 我们通过对“跟踪”的列进行哈希来构建我们的 SCD1 和 2（又名 SCD6）表，因此每次我们拉取数据时，如果哈希相同，则剩余时间在遥远的未来，否则改变（现有的）并插入新行。我很确定这都是通过同一个 MERGE 指令完成的。 @SimeonPilgrim 是的，我熟悉这种模式。问题的症结在于通过跨枢轴粒度的组合来处理日期间隔。 通常降价就像在不同的格式块之间存在空白行。 【参考方案1】：所以输入可以用 VALUES 操作符写入，列名放入 CTE 定义中，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来简化 LEAD，这是一个隐含的 COALESCE，但有时如果您的数据中有这种类型的空白，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
)
取决于您的数据normalized_effective_at_each_point 会名副其实，并在每个时间/日期点为您提供一个值，这将过度分割不相关的值（我假设 pivot_grain 是一些全局事物 id，它是不同的数据因此这个输入支持它）
('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 应该变成：
, 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，最后的潜在客户可以放弃 COALESCE 并移动到 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
我不禁认为我已经将我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 是我会怎么做的，因此 GROUP BY 也是我会怎么做的，很多 JOIN 似乎真的恶心，进入雪花，我更喜欢这种爆炸数据，然后合并（或分组）数据，因为这一切都很好且可并行化。
【讨论】：
【参考方案2】：不确定这是否能回答您的问题，但请参阅 https://jeffreyjacobs.wordpress.com/2021/03/03/pivoting-iiot-data-in-snowflake/
【讨论】：
谢谢，这是一篇很好的文章。这绝对与我的问题相同，但并不完全是我所希望的“你是个白痴，这样做更容易”。以上是关于在有效范围内旋转/非规范化的主要内容，如果未能解决你的问题，请参考以下文章
如何在 javascript 中最有效地对规范化数据进行非规范化
将浮点数组规范化到一定范围内，并在 Python 中保持符号
如果给定的数据在使用 R 或 Python 的范围（-1 到 1）内，如何以 (-3 ,-2,-1,0,1,2,3) 格式规范化数据？