为什么Big Query上的Github存档中的派生数与UI不匹配？

Question

我正在尝试通过Big Query（doc here）在Github存档中获取各种Github回购指标。但是，当我尝试计算叉子的数量时，我得到的数量与Github UI中指定的叉子的数量非常不同。例如，当我运行此sql脚本时：

SELECT repo.url,repo.name , COUNT(*) fork_count, 
FROM [githubarchive:year.2011],
  [githubarchive:year.2012],
  [githubarchive:year.2013],
  [githubarchive:year.2014],
  [githubarchive:year.2015],
  [githubarchive:year.2016],
  [githubarchive:year.2017],
  [githubarchive:year.2018],
  [githubarchive:month.201901]
WHERE type='ForkEvent'
and repo.url like 'https://github.com/python/cpython'
GROUP BY 1,2

我得到以下结果：

Row repo_url                           repo_name   fork_count    
1   https://github.com/python/cpython   cpython    177

但是，当我转到URL'https://github.com/python/cpython'时，我看到有8198个分支。这种差异的原因是什么？

编辑：

Felipe在下面指出，同一仓库可能有多个URL。

但是，即使有多个URL，这个数字也不是与UI完全匹配的，这次比UI的数字大得多。有没有办法获得完全匹配？

Answer 1

您要查询什么？请注意，根据输入的回购ID，名称或网址，您将获得不同的结果：

#standardSQL
SELECT repo.name, repo.id, repo.url, COUNT(*) c
FROM `githubarchive.month.201*`
WHERE type='ForkEvent'
AND (
  repo.id = 81598961 
  OR repo.name='python/cpython'
  OR repo.url like 'https://github.com/python/cpython'
)
GROUP BY 1,2,3

如果您想知道“何时？”：

#standardSQL
SELECT repo.name, repo.id, repo.url, COUNT(*) c
  , MIN(DATE(created_at)) since, MAX(DATE(created_at)) until
FROM `githubarchive.month.201*`
WHERE type='ForkEvent'
AND (
  repo.id = 81598961 
  OR repo.name='python/cpython'
  OR repo.url like 'https://github.com/python/cpython'
)
GROUP BY 1,2,3
ORDER BY since

编辑：

GitHub仅为每个用户列出一个分支-因此，如果要删除重复项，请执行COUNT（DISTINCT actor.id），将其降低到约9k。