SQL中连续变量的频率表？答案

【问题标题】：Frequency table of continuous variable in SQL?SQL中连续变量的频率表？
【发布时间】：2020-06-23 13:36:47
【问题描述】：

我有一个连续变量SQL表：

    x
1   622.108
2   622.189
3   622.048
4   622.758
5   622.191
6   622.677
7   622.598
8   622.020
9   621.228
10  622.690
...

我尝试获取一个简单的频率表，例如有 3 个桶，像这样：

bucket                  n
[621.228-621.738[       1
[621.738-622.248[       5
[622.248-622.758]       4

看起来很简单，但我无法在 SQL 中实现它（我在 Cloudera Impala 引擎上运行它）。
我调查了dense_rank() 或ntile() 没有成功。

有什么想法吗？

【问题讨论】：

标签： sql hiveql impala

【解决方案1】：

您可以使用窗口函数将范围分成三个相等的部分，然后使用算术：

select min_x + range * (row_number() over (order by min(x)) - 1) as bucket_hi,
       min_x + range * row_number() over (order by min(x)) as bucket_hi,
       count(*)
from (select t.*,
             min(x) over () as min_x,
             max(x) over () as max_x,
             0.000001 + max(x) over () - min(x) over () as range
      from t
     ) t
group by floor((x - min_x) / range)), min_x, range

【讨论】：

【解决方案2】：

你的问题至少有两个问题：

您没有提供任何代码来向我们展示您的尝试。有时候自己解决问题真的很好。不过，我发现这个问题很有趣，并决定玩。
您的范围块重叠。例如，如果您的列表中有值 621.738，哪个存储桶将包含它？ [621.228-621.738] 还是 [621.738-622.248]？

我的回答也至少有三个问题，所以我不希望你接受这个。但是，也许它会让你开始。希望这个免责声明能让我免于被否决。 :-)

答案在 T-SQL 中。抱歉，这是我必须处理的。
答案不是通用的。它始终创建三个且仅三个存储桶。
仅当数据类型将结果限制为小数点后 3 位时才有效。

请记住，这只是一种可能的解决方案，在我看来，这是一个非常薄弱的解决方案。

有了这些免责声明，以下是我写的内容：

SELECT
       '[' + STR( RANGES.RANGESTART, 7, 3 )
           + ' - '
           + STR( RANGES.RANGEEND, 7, 3 ) + ']'    AS 'BUCKET'
      ,COUNT(*)                                    AS 'N'
  FROM
       ( SELECT
                VALS.MINVAL + (CAST( CNT.INC AS DECIMAL(7,3) ) * VALS.RANGEWIDTH) AS 'RANGESTART'
               ,CASE WHEN CNT.INC < 2
                     THEN VALS.MINVAL + (CAST( CNT.INC + 1 AS DECIMAL(7,3) ) * VALS.RANGEWIDTH) - 0.001
                     ELSE VALS.MINVAL + (CAST( CNT.INC + 1 AS DECIMAL(7,3) ) * VALS.RANGEWIDTH)
                END AS 'RANGEEND'
            FROM
                ( SELECT
                         MIN(CURVAL)                     AS 'MINVAL'
                        ,MAX(CURVAL)                     AS 'MAXVAL'
                        ,(MAX(CURVAL) - MIN(CURVAL)) / 3 AS 'RANGEWIDTH'
                    FROM
                        MYVALUE ) VALS
                        CROSS JOIN (VALUES (0), (1), (2) ) CNT(INC)
        ) RANGES
        INNER JOIN MYVALUE V
                ON V.CURVAL BETWEEN RANGES.RANGESTART AND RANGES.RANGEEND
GROUP BY
        RANGES.RANGESTART
       ,RANGES.RANGEEND
ORDER BY 1
;

在上面，您的值将位于 MYVALUE 表的 CURVAL 列中。

祝你好运。我希望这对您有所帮助。

【讨论】：