Question

我有一些看起来像这样的数据

Sequence, length
abc, 1
bat, 1
abc > abc, 2
abc > bat, 2
ced > ced > ced > fan, 4

我正在尝试将各种字符串的频率作为此数据的新列。例如：

Sequence, length, count_of_ced
abc, 1, 0
bat, 1, 0
abc > abc, 2, 0
abc > bat, 2, 0
ced > ced > ced > fan, 4, 3

我正在尝试通过获取长度值并减去Sequence字段的长度来解决此问题，将“ ced”字符串替换为“”，如下所示：

length - array_length(split(replace(Sequence, "ced", ""), " > " )) as count_of_ced

但是此行的所有结果都为0。

这是正确的方法吗？我已经用“>”和“>”上的字符串分割对它们进行了测试，但是我仍然得到0。我已经翻阅了Google Bigquery文档，但没有找到预建的substring_count（）函数或其他任何东西。

Answer 1

有一种经过尝试的真实字符串长度方法：

select (length(replace(sequence, 'ced', 'ced+')) - length(sequence)) as num_ced

或者，您可以使用数组：

select array_length(regexp_extract_all(sequence, 'ced'))

Answer 2

以下版本使用'ced'作为分隔符

SELECT ARRAY_LENGTH(SPLIT(Sequence, 'ced')) - 1

您可以使用问题中的伪数据对其进行测试，如下所示

#standardSQL
WITH `project.dataset.table` AS (
  SELECT 'abc' Sequence, 1 length UNION ALL
  SELECT 'bat', 1 UNION ALL
  SELECT 'abc > abc', 2 UNION ALL
  SELECT 'abc > bat', 2 UNION ALL
  SELECT 'ced > ced > ced > fan', 4 
)
SELECT Sequence, length, 
  ARRAY_LENGTH(SPLIT(Sequence, 'ced')) - 1 AS count_of_ced
FROM `project.dataset.table`

结果为

Row Sequence                length  count_of_ced     
1   abc                     1       0    
2   bat                     1       0    
3   abc > abc               2       0    
4   abc > bat               2       0    
5   ced > ced > ced > fan   4       3

计算分隔字段中子字符串的出现

2 个答案: