在 SQL 中计算 2,3 四分位数平均值

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，我有测量 URL 加载所需时间的记录。记录是 (id,url,time)，它们是每个 URL 的许多测量值。我要做的是为每个 URL 删除最低和最高 25%（即下四分位数和上四分位数）并计算剩余 25%-75% 加载时间的平均值。并将其存储到另一个表中。

我看到了一些针对 MS SQL 的示例，并且似乎相对容易。但我必须在哪里使用 MySQL：

• LIMIT 子句不支持百分比（没有选择前 25% 的类比）
• LIMIT 子句不支持将其参数作为变量（仅限常量）
• 函数不支持动态 SQL（例如 PREPARE 和 EXECUTE ）

我已经到了这里：

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 编写它，但认为在 SQL 中它会有更好的整体性能。我将非常感谢一些帮助。

Answer 1

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

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：

假设，原始数据表是由

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;

（当然还有人）。

我们也假设四分位表数据是由

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 填充四分位数的过程如下所示

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 ;

要点是：

• 使用光标循环 URL（或调整示例以接受 URL 作为参数）
• 为每个 URL 查找总行数
• 如果(rowcount % 4) != 0，请做一些简单的数学运算以省略中间行
• 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，为另一个 Qx 分配值 0
• 将此查询用作另一个查询的子查询，对值进行汇总和规范化
• 使用此超级查询的结果更新四分位数表

我在 8x1.9GHz 机器上使用 18432 原始行 url=concat('http://.../',floor(rand()*10)), time=round(rand()*10000) 对此进行了测试，它始终在 0.50-0.54 秒内完成

Answer 3

这个怎么样？

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。我在一些相当大的数据集上使用它取得了巨大的成功。

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

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 - 这是您对最大数据包大小的设置，将确保如果它构建的字符串变得太大，您将收到正确的错误，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 个百分位数（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，并帮助您解决问题:)

Answer 5

你为什么不这样使用一个查询：

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;