google-bigquery - BigQuery 中的 PERCENT_RANK() 返回资源超出

Question

当我尝试在大型数据集上使用 PERCENT_RANK() 时，它给了我一个错误。

SELECT 
  a2_lngram, 
  a2_decade, 
  a2_totalfreq, 
  a2_totalbooks, 
  a2_freq, a2_bfreq, 
  a2_arf, 
  c_avgarf, 
  d_arf, 
  oi, 
  PERCENT_RANK() OVER (ORDER BY d_arf DESC) plarf 
FROM [trigram.trigrams8]

使用目标表和 AllowLargeResults 返回:

“在查询执行期间超出了资源。”

当我将结果限制为几百时，它运行良好。

作业 ID: oticyproject1:job_PpTpmMXYETUMiM_2scGgc997JVg
数据集是公开的。

Answer 1

这是预期的:分析/窗口函数的输入需要适合一个节点才能成功运行。

PERCENT_RANK() OVER (ORDER BY d_arf DESC) plarf

只有当所有行都适合一个节点时才会运行。如果没有，您将看到“查询执行期间资源超出”错误。

有一种方法可以使用分析功能进行扩展:对数据进行分区。

PERCENT_RANK() OVER (PARTITION BY country ORDER BY d_arf DESC) plarf

...然后该函数可以在多个节点上运行，只要每个“国家/地区”行都适合一个 VM。

不是你的情况 - 我在这里做的修复是计算单独的子查询、连接和除法的总数。

总之，分析函数很酷，但它们在每个分区的大小上存在可扩展性问题——幸运的是，还有其他方法可以获得相同的结果。