Question

我有一个问题，我自己或通过研究都没有找到答案，尽管这应该是可能的。

想象一下在雪花表中有以下数据（确切的列类型应该无关紧要）：

<头>

A 列	B 列	时间戳
系统	我	02:01
系统	我	02:02
系统	U	02:03
系统	U	02:04
系统	我	02:05
系统	U	02:06

我想聚合数据，以便我的结果集中有 4 个组，每组具有最小和最大时间戳：

组：ColumnB = I 的前两条记录（最小值 = 02:01，最大值 = 02:02）
组：接下来的两条记录，ColumnB = U（最小值 = 02:03，最大值 = 02:04）
组：第 5 条记录（最小、最大两个 = 02:05）
组：第 6 条记录（最小、最大两个 = 02:06）

注意 columnA 可以有其他值，如果是，它们应该在自己的组中，按照相同的原则。有没有人知道如何用一些 SELECT 语句来做到这一点？ GROUP BY 显然不起作用，因为我无法以这种方式分隔第 1 组和第 3 组（以及第 2 组和第 4 组）。

Answer 1

是的，可以使用额外的子组列：

WITH cte AS (
  SELECT *, LAG(ColumnB) OVER(PARTITION BY ColumnA ORDER BY timestamp) AS prevColumnB
  FROM tab
), cte2 AS (
  SELECT *, 
    SUM(CASE WHEN ColumnB = prevColumnB OR prevColumnB IS NULL THEN 0 ELSE 1 END) 
    OVER(PARTITION BY ColumnA ORDER BY timestamp) as subgrp
  FROM cte
)
SELECT ColumnA, ColumnB, subgrp, MIN(timestamp) AS min_t, MAX(timestamp) AS max_t
FROM cte2
GROUP BY ColumnA, ColumnB, subgrp
ORDER BY ColumnA, subgrp;

它是如何工作的：

+----------+----------+-----------+-------------+--------+
| ColumnA  | ColumnB  | timestamp | prevColumnB | subgrp |
+----------+----------+-----------+-------------+--------+
| SYSTEM   | I        | 02:01     | NULL        |      0 |
| SYSTEM   | I        | 02:02     | I           |      0 |
| SYSTEM   | U        | 02:03     | I           |      1 |
| SYSTEM   | U        | 02:04     | U           |      1 |
| SYSTEM   | I        | 02:05     | U           |      2 |
| SYSTEM   | U        | 02:06     | I           |      3 |
+----------+----------+-----------+-------------+--------+

通过引入 subgrp 列，我们可以执行标准分组。

附录：

MATCH_RECOGNIZE 子句允许在不使用 CTE 的情况下实现类似的效果。

SELECT *
FROM t
MATCH_RECOGNIZE  (
  PARTITION BY columnA
   ORDER BY timestamp
   MEASURES MATCH_NUMBER() AS grp_id
            --,CLASSIFIER() AS cls
            ,FIRST_VALUE(columnB) AS columnB
            ,FIRST_VALUE(timestamp) AS min_t
            ,LAST_VALUE(timestamp) AS max_t
  PATTERN (b* a)
  DEFINE a AS columnB != LEAD(columnB) OR LEAD(columnB) IS NULL
       ,b  AS columnB = LEAD(columnB)
) mr
ORDER BY columnA, grp_id;

结果：

COLUMNA GRP_ID  COLUMNB MIN_T   MAX_T
SYSTEM  1   I   02:01   02:02
SYSTEM  2   U   02:03   02:04
SYSTEM  3   I   02:05   02:05
SYSTEM  4   U   02:06   02:06

Answer 2

这是一种间隙和孤岛问题。在这种情况下，我认为行号的差异是解决问题的最简单方法：

select columnA, columnB, min(timestamp), max(timestamp)
from (select t.*,
             row_number() over (partition by columnA order by timestamp) as seqnum,
             row_number() over (partition by columnA, columnB order by timestamp) as seqnum_2
      from t
     ) t
group by columnA, columnB, (seqnum - seqnum_2);

为什么这行得通有点难以解释。但是，如果您查看子查询的结果，您会发现对于 columnB 相同的相邻行，差异是如何恒定的。

雪花 - 使用“关键更改”分组

2 个答案: