Question

我的网络应用程序中有一个非常大的MySQL查询，如下所示：

query = 
SELECT video_tag.video_id, (sum(user_rating.rating) * video.rating_norm) as score 

FROM video_tag 
JOIN user_rating ON user_rating.item_id = video_tag.tag_id
JOIN video ON video.id = video_tag.video_id 

WHERE item_type = 3 AND user_id = 1 AND rating != 0 AND video.website_id = 2 
AND rating_norm > 0 AND video_id NOT IN (1,2,3) GROUP BY video_id 
ORDER BY score DESC LIMIT 20"

此查询连接三个表（video，video_tag和user_rating），对结果进行分组，并执行一些基本数学运算来计算每个视频的分数。由于表格很大，这需要大约2秒才能运行。

我怀疑使用NumPy数组进行此计算会更快，而不是让SQL完成所有这些工作。 'video'和'video_tag'中的数据是常量 - 所以我可以将这些表加载到内存中一次，而不必每次都ping SQL。

然而，虽然我可以将这三个表加载到三个单独的数组中，但我有时间复制上面的查询（特别是JOIN和GROUP BY部分）。有没有人使用NumPy数组复制SQL查询的经验？

谢谢！

Answer 1

使这个练习变得尴尬的是NumPy数组的单数据类型约束。例如，GROUP BY操作隐式地要求（至少）一个字段/列的连续值（用于聚合/求和）和一个字段/列用于分区或分组。

当然，NumPy 重新排列可以表示每个列使用不同数据类型的2D数组（或SQL表）（也称为“字段”），但我发现这些复合数组很难处理。因此，在下面的代码片段中，我只使用传统的 ndarray 类来复制OP问题中突出显示的两个SQL操作。

在NumPy中模仿 SQL JOIN ：

首先，创建两个NumPy数组（A＆amp; B），每个数组代表一个SQL表。 A的主键位于第1列; B的外键也在第1栏。

import numpy as NP
A = NP.random.randint(10, 100, 40).reshape(8, 5)
a = NP.random.randint(1, 3, 8).reshape(8, -1)    # add column of primary keys      
A = NP.column_stack((a, A))

B = NP.random.randint(0, 10, 4).reshape(2, 2)
b = NP.array([1, 2])
B = NP.column_stack((b, B))

现在（尝试）使用NumPy数组对象复制 JOIN ：

# prepare the array that will hold the 'result set':
AB = NP.column_stack((A, NP.zeros((A.shape[0], B.shape[1]-1))))

def join(A, B) :
    '''
    returns None, side effect is population of 'results set' NumPy array, 'AB';
    pass in A, B, two NumPy 2D arrays, representing the two SQL Tables to join
    '''
    k, v = B[:,0], B[:,1:]
    dx = dict(zip(k, v))
    for i in range(A.shape[0]) :
        AB[i:,-2:] = dx[A[i,0]]

在NumPy中模仿 SQL GROUP BY ：

def group_by(AB, col_id) :
    '''
    returns 2D NumPy array aggregated on the unique values in column specified by col_id;
    pass in a 2D NumPy array and the col_id (integer) which holds the unique values to group by
    '''
    uv = NP.unique(AB[:,col_id]) 
    temp = []
    for v in uv :
        ndx = AB[:,0] == v          
        temp.append(NP.sum(AB[:,1:][ndx,], axis=0))
    temp = NP. row_stack(temp)
    uv = uv.reshape(-1, 1)
    return NP.column_stack((uv, temp))

对于测试用例，它们会返回正确的结果：

>>> A
  array([[ 1, 92, 50, 67, 51, 75],
         [ 2, 64, 35, 38, 69, 11],
         [ 1, 83, 62, 73, 24, 55],
         [ 2, 54, 71, 38, 15, 73],
         [ 2, 39, 28, 49, 47, 28],
         [ 1, 68, 52, 28, 46, 69],
         [ 2, 82, 98, 24, 97, 98],
         [ 1, 98, 37, 32, 53, 29]])

>>> B
  array([[1, 5, 4],
         [2, 3, 7]])

>>> join(A, B)
  array([[  1.,  92.,  50.,  67.,  51.,  75.,   5.,   4.],
         [  2.,  64.,  35.,  38.,  69.,  11.,   3.,   7.],
         [  1.,  83.,  62.,  73.,  24.,  55.,   5.,   4.],
         [  2.,  54.,  71.,  38.,  15.,  73.,   3.,   7.],
         [  2.,  39.,  28.,  49.,  47.,  28.,   3.,   7.],
         [  1.,  68.,  52.,  28.,  46.,  69.,   5.,   4.],
         [  2.,  82.,  98.,  24.,  97.,  98.,   3.,   7.],
         [  1.,  98.,  37.,  32.,  53.,  29.,   5.,   4.]])

>>> group_by(AB, 0)
  array([[   1.,  341.,  201.,  200.,  174.,  228.,   20.,   16.],
         [   2.,  239.,  232.,  149.,  228.,  210.,   12.,   28.]])

将大型SQL查询移动到NumPy

1 个答案:

在NumPy中模仿 SQL JOIN ：

在NumPy中模仿 SQL GROUP BY ：