使用空值作为通配符的sql(配置单元)组

p3rjfoxz  于 2021-06-25  发布在  Hive
关注(0)|答案(1)|浏览(326)

我有一张这样的table:

group   val1   val2   val3

group1   5      .      .
group1   .      2      1
group1   .      .      3
group2   1      4      .
group2   .      .      8
group2   2      .      7

我需要使用空值(.)作为通配符,计算配置单元中每个组的所有可能组合的出现次数。这会给我这样的结果:

group   val1   val2   val3  cnt

group1   5      2      1     2
group1   5      2      3     2
group2   1      4      8     2
group2   2      4      8     1
group2   2      4      7     1

我知道我可以通过选择所有不同的group-val1对,用所有不同的group-val2对完全连接这个,用所有不同的group-val3对完全连接这个。这为每个组提供了所有可能的组合,然后我可以将这些组合与我的表进行内部联接,计算原始数据行是组合子集的情况。
像这样:

create table my_results as 

with combos as (
select *
from (select distinct group, val1 from data) A
full join (select distinct group, val2 from data) B
    on A.group = B.group
full join (select distinct group, val3 from data) C
    on A.group = C.group 
)

select A.group, A.val1, A.val2, A.val3, count(*)
from combos A
inner join data B
    on A.group = B.group
    and (A.val1 = B.val1 OR B.val1 is null)
    and (A.val2 = B.val2 OR B.val2 is null)
    and (A.val3 = B.val3 OR B.val3 is null)
group by A.group, A.val1, A.val2, A.val3

但是!我的数据集非常大(1亿行),而且我可以预期的所有可能的组合的数量也非常大(10万行)。这样的结合实在太大了。
还有别的办法吗?我想知道我是否可以使用正则表达式,但我不知道从哪里开始。

g52tjvyc

g52tjvyc1#

在示例数据中,只有第三列有多个值。因此,您可以只为其他两列填写一个值:

select group,
       max(max(col1)) over (partition by group) as col1,
       max(max(col2)) over (partition by group) as col2,
       col3,
       count(*)
from data
group by group;

相关问题