用缺失日期的数据填充表格（postgresql、redshift）

Posted 2023-03-31

【中文标题】用缺失日期的数据填充表格（postgresql、redshift）

【英文标题】：Fill the table with data for missing date (postgresql, redshift)

【发布时间】：2016-06-19 09:43:49

【问题描述】：

我正在尝试填写缺失日期的每日数据，但找不到答案，请帮助。

我的daily_table 示例：

      url          | timestamp_gmt | visitors | hits  | other.. 
-------------------+---------------+----------+-------+-------
 www.domain.com/1  | 2016-04-12    |   1231   | 23423 |
 www.domain.com/1  | 2016-04-13    |   1374   | 26482 |
 www.domain.com/1  | 2016-04-17    |   1262   | 21493 |
 www.domain.com/2  | 2016-05-09    |   2345   | 35471 |          

预期结果：我想用每个域和每天的数据填充这张表，这些数据只是从以前的date 复制数据：

      url          | timestamp_gmt | visitors | hits  | other.. 
-------------------+---------------+----------+-------+-------
 www.domain.com/1  | 2016-04-12    |   1231   | 23423 |
 www.domain.com/1  | 2016-04-13    |   1374   | 26482 |
 www.domain.com/1  | 2016-04-14    |   1374   | 26482 |     <-added
 www.domain.com/1  | 2016-04-15    |   1374   | 26482 |     <-added
 www.domain.com/1  | 2016-04-16    |   1374   | 26482 |     <-added
 www.domain.com/1  | 2016-04-17    |   1262   | 21493 |
 www.domain.com/2  | 2016-05-09    |   2345   | 35471 |          

我可以将部分逻辑移到 php 中，但这是不可取的，因为我的表有数十亿个缺失的日期。

总结：

最近几天我发现：

Amazon-redshift 适用于 8 版 PostgreSql，这就是为什么它不支持像 JOIN LATERAL 这样漂亮的命令 Redshift 也不支持generate_series 和CTEs 但它支持简单的WITH（谢谢@systemjack）但WITH RECURSIVE不支持

【问题讨论】：

一个明显的问题：为什么？保留空白并让网页/任何东西选择如何显示它不是更有意义吗？

这是一个要求，因为我们的客户直接使用表格，而不是通过某些接口。

红移是否支持（递归）CTE？

我不了解CTE，我会阅读一些文档并稍后回答

我发现 CTE 也不支持...

【参考方案1】：

看看查询背后的想法：

select distinct on (domain, new_date) *
from (
    select new_date::date 
    from generate_series('2016-04-12', '2016-04-17', '1d'::interval) new_date
    ) s 
left join a_table t on date <= new_date
order by domain, new_date, date desc;

  new_date  |     domain      |    date    | visitors | hits  
------------+-----------------+------------+----------+-------
 2016-04-12 | www.domain1.com | 2016-04-12 |     1231 | 23423
 2016-04-13 | www.domain1.com | 2016-04-13 |     1374 | 26482
 2016-04-14 | www.domain1.com | 2016-04-13 |     1374 | 26482
 2016-04-15 | www.domain1.com | 2016-04-13 |     1374 | 26482
 2016-04-16 | www.domain1.com | 2016-04-13 |     1374 | 26482
 2016-04-17 | www.domain1.com | 2016-04-17 |     1262 | 21493
(6 rows)

您必须根据自己的要求选择开始日期和结束日期。 该查询可能非常昂贵（您提到了数十亿的差距），因此请谨慎应用（在较小的数据子集上测试或分阶段执行）。

在没有generate_series() 的情况下，您可以创建自己的生成器。 Here is an interesting example。可以使用来自引用文章的视图来代替 generate_series()。比如你需要句号'2016-04-12' + 5 days：

select distinct on (domain, new_date) *
from (
    select '2016-04-12'::date+ n new_date
    from generator_16
    where n < 6
    ) s 
left join a_table t on date <= new_date
order by domain, new_date, date desc;

您将得到与第一个示例相同的结果。

【讨论】：

真的很有意思，谢谢分享，会努力回答的

【参考方案2】：

另一种解决方案，避免所有“现代”功能；-]

-- \i tmp.sql

        -- NOTE: date and domain are keywords in SQL
CREATE TABLE ztable
        ( zdomain      TEXT NOT NULL
        , zdate       DATE NOT NULL
        , visitors      INTEGER NOT NULL DEFAULT 0
        , hits          INTEGER NOT NULL DEFAULT 0
        , PRIMARY KEY (zdomain,zdate)
        );
INSERT INTO ztable (zdomain,zdate,visitors,hits) VALUES
  ('www.domain1.com', '2016-04-12' ,1231 ,23423 )
 ,('www.domain1.com', '2016-04-13' ,1374 ,26482 )
 ,('www.domain1.com', '2016-04-17' ,1262 ,21493 )
 ,('www.domain3.com', '2016-04-14' ,3245 ,53471 )       -- << cheating!
 ,('www.domain3.com', '2016-04-15' ,2435 ,34571 )
 ,('www.domain3.com', '2016-04-16' ,2354 ,35741 )
 ,('www.domain2.com', '2016-05-09' ,2345 ,35471 ) ;

        -- Create "Calendar" table with all possible dates
        -- from the existing data in ztable.
        -- [if there are sufficient different domains
        -- in ztable there will be no gaps]
        -- [Normally the table would be filled by generate_series()
        -- or even a recursive CTE]
        -- An exta advantage is that a table can be indexed.
CREATE TABLE date_domain AS
SELECT DISTINCT zdate AS zdate
FROM ztable;
ALTER TABLE date_domain ADD PRIMARY KEY (zdate);
-- SELECT * FROM date_domain;

        -- Finding the closest previous record
        -- without using window functions or aggregate queries.
SELECT d.zdate, t.zdate, t.zdomain
        ,t.visitors, t.hits
        , (d.zdate <> t.zdate) AS is_fake -- for fun
FROM date_domain d
LEFT JOIN ztable t
        ON t.zdate <= d.zdate
        AND NOT EXISTS ( SELECT * FROM ztable nx
                WHERE nx.zdomain = t.zdomain
                AND nx.zdate > d.zdate
                AND nx.zdate < t.zdate
                )
ORDER BY t.zdomain, d.zdate
        ;

【参考方案3】：

在这种情况下，这是一个丑陋的 hack，可以让 redshift 使用日期在表中生成新行。此示例将输出限制为前 30 天。范围可以调整或删除。同样的方法也可以用于分钟、秒等。

with days as (
    select (dateadd(day, -row_number() over (order by true), sysdate::date+'1 day'::interval)) as day
            from stv_blocklist limit 30
)
select day from days order by day

要针对特定​​的时间范围，请将 sysdate 更改为文字，这将是您想要的范围结束后的最后一天，并限制覆盖的天数。

插入是这样的：

with days as (
    select (dateadd(day, -row_number() over (order by true), sysdate::date+'1 day'::interval)) as day
            from stv_blocklist limit 30
)
insert into your_table (domain, date) (
    select dns.domain, d.day
    from days d
    cross join (select distinct(domain) from your_table) dns
    left join your_table y on y.domain=dns.domain and y.date=d.day
    where y.date is null
)

我无法测试插件，因此可能需要进行一些调整。

对stv_blocklist 表的引用可以是其中包含足够行以覆盖with 子句中的范围限制的任何表，并用于为row_number() 窗口函数提供种子。

一旦您有了仅日期行，您就可以使用最新的完整记录来更新它们，如下所示：

update your_table set visitors=t.visitors, hits=t.hits
from (
    select a.domain, a.date, b.visitors, b.hits
    from your_table a
    inner join your_table b
        on b.domain=a.domain and b.date=(SELECT max(date) FROM your_table where domain=a.domain and hits is not null and date < a.date)
    where a.hits is null
) t
where your_table.domain=t.domain and your_table.date=t.date

这很慢，但对于较小的数据集或一次性数据应该没问题。我能够测试一个类似的查询。

更新：我认为这个版本的查询填充空值应该更好，并考虑域和日期。我测试了一个类似的版本。

update your_table set visitors=t.prev_visitors, hits=t.prev_hits
from (
    select domain, date, hits
        lag(visitors,1) ignore nulls over (partition by domain order by date) as prev_visitors,
        lag(hits,1) ignore nulls over (partition by domain order by date) as prev_hits
    from your_table
) t
where t.hits is null and your_table.domain=t.domain and your_table.date=t.date

应该可以将其与初始人口查询结合起来，一次完成。

【讨论】：

我会尽快让你知道

redsift 不支持 CTE。 （请参阅问题下方的 OP 评论）我怀疑是否支持窗口函数，因为它们是在 postgres-8.4 中引入的。

@wildplasser Redshift 很好地支持窗口函数。我一直在使用它们。 docs.aws.amazon.com/redshift/latest/dg/c_Window_functions.html

我很惊讶，Redshift 支持 WITH xx AS，而 WITH RECURSIVE xx AS 不支持。现在我正在尝试使用它，它似乎很有用。

不幸的是，我每个日期都有多个域，每个域的最小/最大日期不同

【参考方案4】：

最后，我完成了我的任务，我想分享一些有用的东西。

我用这个钩子代替了generate_series：

WITH date_range AS (
  SELECT trunc(current_date - (row_number() OVER ())) AS date
  FROM any_table  -- any of your table which has enough data
  LIMIT 365
) SELECT * FROM date_range;

要获取我必须用我使用的数据填充的 URL 列表：

WITH url_list AS (
  SELECT
    url AS gapsed_url,
    MIN(timestamp_gmt) AS min_date,
    MAX(timestamp_gmt) AS max_date
  FROM daily_table
  WHERE url IN (
    SELECT url FROM daily_table GROUP BY url
    HAVING count(url) < (MAX(timestamp_gmt) - MIN(timestamp_gmt) + 1)
  )
  GROUP BY url
) SELECT * FROM url_list;

然后我结合给定的数据，我们称之为url_mapping：

SELECT t1.*, t2.gapsed_url FROM date_range AS t1 CROSS JOIN url_list AS t2
WHERE t1.date <= t2.max_date AND t1.date >= t2.min_date;

为了在最接近的日期获取数据，我执行了以下操作：

SELECT sd.*
FROM url_mapping AS um JOIN daily_table AS sd
ON um.gapsed_url = sd.url AND (
  sd.timestamp_gmt = (SELECT max(timestamp_gmt) FROM daily_table WHERE url = sd.url AND timestamp_gmt <= um.date)
)

我希望它会对某人有所帮助。