Question

我想在SQL（MySQL）中编写一个存储过程来计算第二和第三四分位数的平均值。

换句话说，我有记录用于测量URL加载所需的时间。记录是（id，url，time），它们是每个URL的许多度量。我要做的是每个URL删除最低和最高25％（即较低和较高四分位数）并计算剩余25％-75％加载时间的平均值。并将其存储在另一张表中。

我在MS SQL中看到了一些这样的例子，看起来相对简单。但我必须使用MySQL：

LIMIT子句不支持百分比（无类似选择前25％）
LIMIT子句不支持其参数为变量（仅限常量）
函数不支持动态SQL（例如PREPARE和EXECUTE）

我到目前为止：

create procedure G(
  IN val VARCHAR(10)
)
Begin
  select @cnt:=count(*) from test where a=val;
  select  @of:= @cnt /4;
  SELECT @len:= @cnt/2; 
  Prepare stmt from 'select * from test where a="a" LIMIT ?,?';
  execute stmt using @of, @len;
END;

我可以用PHP编写，但在SQL中考虑它会有更好的整体性能。我非常感谢你的帮助。

Answer 1

在this question中查看@Richard aka cyberkiwi的回答和评论：

Select *
from
(
    SELECT tbl.*, @counter := @counter +1 counter
    FROM (select @counter:=0) initvar, tbl
    ORDER BY ordcolumn
) X
where counter >= (25/100 * @counter) and counter <= (75/100 * @counter);
ORDER BY ordcolumn

Answer 2

如果在错误的四分位数中，您可以使用IF将它们设置为零来创建四分位数值：

我们假设，原始数据表是由

创建的

DROP TABLE IF EXISTS `rawdata`;
CREATE TABLE `rawdata` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `url` varchar(250) NOT NULL DEFAULT '',
  `time` int(11) NOT NULL,
  PRIMARY KEY (`id`),
  KEY `time` (`time`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8;

（当然是人口稠密的）。

我们还假设四分位表数据是由

创建的

DROP TABLE IF EXISTS `quartiles`;
CREATE TABLE `quartiles` (
  `url` varchar(250) NOT NULL,
  `Q1` float DEFAULT '0',
  `Q2` float DEFAULT '0',
  `Q3` float DEFAULT '0',
  `Q4` float DEFAULT '0',
  PRIMARY KEY (`url`),
) ENGINE=MyISAM DEFAULT CHARSET=utf8;

（并留空）。

然后从rawdata填充四分位的过程看起来像

DELIMITER ;;

CREATE PROCEDURE `ComputeQuartiles`()
    READS SQL DATA
BEGIN
    DECLARE numrows int DEFAULT 0;
    DECLARE qrows int DEFAULT 0;
    DECLARE rownum int DEFAULT 0;
    DECLARE done int DEFAULT 0;
    DECLARE currenturl VARCHAR(250) CHARACTER SET utf8;
    DECLARE Q1,Q2,Q3,Q4 float DEFAULT 0.0;
    DECLARE allurls CURSOR FOR SELECT DISTINCT url FROM rawdata;
    DECLARE CONTINUE HANDLER FOR NOT FOUND SET currenturl='';

    OPEN allurls;
    FETCH allurls INTO currenturl;
    WHILE currenturl<>'' DO
        SELECT COUNT(*) INTO numrows FROM rawdata WHERE url=currenturl;
        SET qrows=FLOOR(numrows/4);
        if qrows>0 THEN
            -- Only session parameters can be recalculated inside a query,
            -- so @rownum:=@rownum+1 will work, but rownum:=rownum+1 will not.
            SET @rownum=0;
            SELECT
                SUM(IFNULL(QA,0))/qrows, 
                SUM(IFNULL(QB,0))/qrows, 
                SUM(IFNULL(QC,0))/qrows, 
                SUM(IFNULL(QD,0))/qrows
            FROM (
                SELECT 
                    if(@rownum<qrows,time,0) AS QA,
                    if(@rownum>=qrows AND @rownum<2*qrows,time,0) AS QB,
                    -- the middle 0-3 rows are left out 
                    if(@rownum>=(numrows-2*qrows) AND @rownum<(numrows-qrows),time,0) AS QC,
                    if(@rownum>=(numrows-qrows),time,0) AS QD,
                    @rownum:=@rownum+1 AS dummy
                FROM rawdata
                WHERE url=currenturl ORDER BY time
            ) AS baseview
            INTO Q1,Q2,Q3,Q4
            ;
            REPLACE INTO quartiles values (currenturl,Q1,Q2,Q3,Q4);
        END IF;

        FETCH allurls INTO currenturl;
    END WHILE;
    CLOSE allurls;

END ;;

DELIMITER ;

主要观点是：

使用游标循环URL（或调整样本以接受URL作为参数）
对于每个网址，找到总行数
如果(rowcount % 4) != 0
选择URL的所有原始行，将time的值分配给QA-QD之一，具体取决于行号，为其他Qx分配值0
将此查询用作另一个查询的子查询，该查询汇总并规范化值
使用此超级查询的结果更新四分位表

我在8x1.9GHz机器上用18432个原始行url=concat('http://.../',floor(rand()*10)), time=round(rand()*10000)测试了它，并且它在0.50-0.54秒内始终如一地完成

Answer 3

怎么样？

prepare stmt from select concat('select * from test where a="a" LIMIT ',@of,@len);
execute stmt;

Answer 4

看看这个用MySQL计算百分位数的优秀例子。我在一些非常大的数据集上使用了这个非常成功。

http://planet.mysql.com/entry/?id=13588

请注意与group_concat_max_len相关的部分 - 这非常重要。将此值设置为最大允许值 - 这是您设置的最大数据包大小，将确保如果它构建的字符串太大，您将得到正确的错误，而不仅仅是“截断字段”警告。

SET @@group_concat_max_len := @@max_allowed_packet;

我要做的是使用此函数计算第25和第75百分位数（可以在单个查询中完成），然后通过对数据运行第二个查询来计算剩余数据的平均值。

<?php
$lowVal = /* result of query getting the 25%ile value */;
$highVal = /* result of query getting the 75%ile value */;

$strSQL = "SELECT AVG(`field`) AS myAvg 
             FROM `table` 
             WHERE { your_existing_criteria_goes_here }
                AND `filter_field` BETWEEN '{$lowVal}' AND '{$highVal}';"
/* Run the query and extract your data */
?>

希望一切都有意义，并帮助解决您的问题：）

Answer 5

为什么不以这种方式使用一个查询：

select url, avg(time)
from mytable A
where time >
       (select min(B.time) + ((max(B.time)-min(B.time))/100*25)
          from mytable B where B.url = A.url)
and time <
       (select max(B.time) - ((max(B.time)-min(B.time))/100*25)
          from mytable B where B.url = A.url)
group by url;

在SQL中计算2,3四分位数平均值

5 个答案: