Calc 跨 Redshift 中的连续值组聚合

Posted 2023-03-31

【中文标题】Calc 跨 Redshift 中的连续值组聚合

【英文标题】：Calc aggregates across continuous groups of values in Redshift

【发布时间】：2020-02-26 18:42:51

【问题描述】：

这可能很容易编写解决方案，但很难在直接 SQL 中完成。我可能不得不放弃并编写一个扫描表格的例程。

我有一个用户状态值表，其中包含如下开始和结束日期：

create table #t (userid int4, status varchar(15), start_time date, end_time date);

insert into #t values
(1, 'Active', '2019-08-15', '2019-08-20'),
(1, 'Active', '2019-08-20', '2019-08-22'),
(1, 'Active', '2019-08-22', '2019-09-22'),
(1, 'Inactive', '2019-09-22', '2019-10-22'),
(1, 'At Risk', '2019-10-22', '2019-11-22'),
(1, 'Lapsed', '2019-11-22', '2019-12-08'),
(1, 'Active', '2019-12-08', '2019-12-18'),
(1, 'Active', '2019-12-18', '2020-01-11'),
(1, 'Active', '2020-01-11', '2020-01-15'),
(1, 'Active', '2020-01-15', '2020-02-15'),
(1, 'Inactive', '2020-02-15', '2020-03-15')
;

我正在尝试将每组连续状态值的最小/最大日期汇总（按 start_time 排序时），如下所示：

我一直在尝试通过在 Redshift 中使用窗口函数来实现这一目标，但我无法根据状态进行分区，因为这似乎将状态组合在一起，从 2019 年 8 月 15 日到 2020 年我最终得到“活动”- 02-15.

【问题讨论】：

我正在使用手机，所以我需要很长时间才能输入查询。但是你需要的方法被称为差距和孤岛。这是一种使用窗口函数来识别所需组的相对优雅的方式。

【参考方案1】：

这是一种所谓的差距和孤岛方法。写在我的手机上，所以未经测试。但是您应该能够搜索 SO 以找到该关键短语。

WITH
  sorted AS
(
  SELECT
    *, 
    ROW_NUMBER()
      OVER (
        PARTITION BY userid
            ORDER BY start
      )
        AS row_userid_start,
    ROW_NUMBER()
      OVER (
        PARTITION BY userid, status
            ORDER BY start
      )
        AS row_userid_status_start
  FROM
    #t
)
SELECT
  userid,
  status,
  MIN(start)   AS start,
  MAX(end)     AS end
FROM
  sorted
GROUP BY
  userid,
  status,
  row_userid_status_start - row_userid_start