- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我对 SQL 和 BigQuery 还很陌生,一周来我一直在努力寻找解决这个问题的可行解决方案。我拥有的两个解决方案无法扩展。
背景
拥有一个包含 170 亿条记录的 BigQuery 表。每条记录代表一次设备 ping。每条记录都包含时间戳、用于识别用户的 ID 以及接收 ping 的位置的名称。
获取此数据表,按 ID 对其进行分区并按时间戳进行排序。然后您将获得一组按时间顺序排列的 ping。用户可能对位置 A 执行 1 次 ping 操作,然后对位置 B 执行 7 次 ping 操作,然后对位置 C 执行 2 次 ping 操作,最后对 A 执行 2 次 ping 操作。
ID timestamp Location
ABC123 2017-10-12 10:20:37 A
ABC123 2017-10-12 11:15:21 B
ABC123 2017-10-12 11:21:47 B
ABC123 2017-10-12 11:25:05 B
ABC123 2017-10-12 11:32:12 B
ABC123 2017-10-12 11:36:24 B
ABC123 2017-10-12 11:47:13 B
ABC123 2017-10-12 11:59:08 B
ABC123 2017-10-12 12:04:42 C
ABC123 2017-10-12 17:04:52 C
ABC123 2017-10-12 19:15:37 A
ABC123 2017-10-12 19:18:37 A
我想做的是,使用这张表并生成一个新表,每个“行程”一行。其中行程是一组连续的 ping,具有“first_ping”和“last_ping”列。如果一次行程包含 1 个 ping,则该时间戳既是第一个 ping,也是最后一个 ping。
ID first_ping last_ping Location
ABC123 2017-10-12 10:20:37 2017-10-12 10:20:37 A
ABC123 2017-10-12 11:15:21 2017-10-12 11:59:08 B
ABC123 2017-10-12 12:04:42 2017-10-12 17:04:52 C
ABC123 2017-10-12 19:15:37 2017-10-12 19:18:37 A
尝试解决方案
Python
我从来没有处理过这么大的数据,而且我一直使用 Python。所以我第一次尝试的解决方案是一个 Python 脚本:
此解决方案可生成我需要的输出,但对于 170 亿条记录和 69M 个唯一 ID 来说不可行。每个 ID 大约需要 10 秒,即大约 19 万小时的运行时间。
SQL
WITH visitWithIsChange AS
(select
*,
LAG(location,1,'') OVER (PARTITION BY user_id ORDER BY timestamp) previous,
CASE
WHEN (LAG(location,1,'')
OVER (PARTITION BY user_id ORDER BY timestamp)) = location
THEN 0
ELSE 1
END ischange
FROM `ping_table` ORDER BY user_id, timestamp),
visitsWithcumsum AS (
SELECT
t1.*,
SUM(t2.ischange) AS cumulativeSum
FROM visitWithIsChange t1
INNER JOIN
visitWithIsChange t2
ON
t1.local_timestamp >=t2.local_timestamp
AND
t1.user_id=t2.user_id
GROUP BY
t1.local_timestamp,
t1.user_id,
t1.chain_id,
t1.previous,
t1.isChange
ORDER BY user_id, timestamp
)
SELECT
MIN(timestamp) AS first_ping,
MAX(local_timestamp) AS last_ping,
user_id,
chain_id,
FROM visitsWithcumsum
GROUP BY
user_id,
cumulativeSum,
chain_id,
ORDER BY user_id, first_ping
我知道SQL语句的问题是在分区之外使用了ORDER BY。每次对超过几十万行调用 ORDER BY 时,BigQuery 都会抛出资源超出错误。我的理解是,发生这种情况是因为 ORDER BY 语句要求所有被排序的数据都驻留在一个节点上。
问题
我感谢所有的意见。我完全不知道解决这个问题的最佳方法,并且感觉超出了我的能力范围。
最佳答案
应该使用累积和而不是非等值连接来计算cumulativeSum
:
WITH visitWithIsChange AS
(select
*,
CASE
WHEN (LAG(location,1,'')
OVER (PARTITION BY user_id ORDER BY timestamp)) = location
THEN 0
ELSE 1
END ischange
FROM `ping_table`
-- I don't now about BigQuery, but why do you need this?
--ORDER BY user_id, timestamp
),
visitsWithcumsum AS (
SELECT
*,
SUM(ischange)
OVER (PARTITION BY user_id
ORDER BY timestamp
ROWS UNBOUNDED PREDECING) AS cumulativeSum
FROM visitWithIsChange
)
SELECT
MIN(timestamp) AS first_ping,
MAX(local_timestamp) AS last_ping,
user_id,
chain_id,
FROM visitsWithcumsum
GROUP BY
user_id,
cumulativeSum,
chain_id,
ORDER BY user_id, first_ping
关于python - BigQuery - 在分区内嵌套操作,以便聚合具有 170 亿条记录的表中的连续记录,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53748203/
我有一个网站。 必须登录才能看到里面的内容。 但是,我使用此代码登录。 doc = Jsoup.connect("http://46.137.207.181/Account/Login.aspx")
我正在尝试为我的域创建一个 SPF 记录并使我的邮件服务器能够对其进行评估。我在邮件服务器上使用 Postfix 并使用 policyd-spf (Python) 来评估记录。目前,我通过我的私有(p
我需要为负载平衡的 AWS 站点 mywebsite.com 添加 CName 记录。记录应该是: @ CNAME mywebsite.us-east-1.elb.amazon
我目前正在开发一个相当大的多层应用程序,该应用程序将部署在海外。虽然我希望它在解聚后不会折叠或爆炸,但我不能 100% 确定这一点。因此,如果我知道我可以请求日志文件,以准确找出问题所在以及原因,那就
我使用以下命令从我的网络摄像头录制音频和视频 gst-launch-0.10 v4l2src ! video/x-raw-yuv,width=640,height=480,framerate=30/1
我刚刚开始使用 ffmpeg 将视频分割成图像。我想知道是否可以将控制台输出信息保存到日志文件中。我试过“-v 10”参数,也试过“-loglevel”参数。我在另一个 SO 帖子上看到使用 ffmp
我想针对两个日期查询我的表并检索其中的记录。 我这样声明我的变量; DECLARE @StartDate datetime; DECLARE @EndDate datetime; 并像这样设置我的变量
在 javascript 中,我可以使用简单的 for 循环访问对象的每个属性,如下所示 var myObj = {x:1, y:2}; var i, sum=0; for(i in myObj) s
最近加入了一个需要处理大量代码的项目,我想开始记录和可视化调用图的一些流程,让我更好地理解一切是如何组合在一起的。这是我希望在我的理想工具中看到的: 每个节点都是一个函数/方法 如果一个函数可以调用另
如何使用反射在F#中创建记录类型?谢谢 最佳答案 您可以使用 FSharpValue.MakeRecord [MSDN]创建一个记录实例,但是我认为F#中没有任何定义记录类型的东西。但是,记录会编译为
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 3年前关闭。 Improve thi
我是 Sequelize 的新手并且遇到了一些语法问题。我制作了以下模型: // User sequelize.define('user', { name: { type: DataTyp
${student.name} Notify 这是我的output.jsp。请注意,我已经放置了一个链接“Notify”以将其转发到 display.jsp 上。但我不确定如何将 Stud
例如,这是我要做的查询: server:"xxx.xxx.com" AND request_url:"/xxx/xxx/xxx" AND http_X_Forwarded_Proto:(https O
我一直在开发大量 Java、PHP 和 Python。所有这些都提供了很棒的日志记录包(分别是 Log4J、Log 或logging)。这在调试应用程序时有很大帮助。特别是当应用程序 headless
在我的Grails应用程序中,我异步运行一些批处理过程,并希望该过程记录各种状态消息,以便管理员以后可以检查它们。 我考虑过将log4j JDBC附加程序用作最简单的解决方案,但是据我所知,它不使用D
我想将进入 MQ 队列的消息记录到数据库/文件或其他日志队列,并且我无法修改现有代码。是否有任何方法可以实现某种类似于 HTTP 嗅探器的消息记录实用程序?或者也许 MQ 有一些内置的功能来记录消息?
如果我有一条包含通用字段的记录,在更改通用字段时是否有任何方法可以模仿方便的 with 语法? 即如果我有 type User = // 'photo can be Bitmap or Url {
假设我有一个名为 Car 的自定义对象。其中的所有字段都是私有(private)的。 public class Car { private String mName; private
当记录具有特定字段时,我需要返回 true 的函数,反之亦然。示例: -record(robot, {name, type=industrial, ho
我是一名优秀的程序员,十分优秀!