如何使用 SQL 执行这种复杂的计算？

Question

抱歉标题含糊不清，但我想不出一个更清晰的标题来描述我的情况。

我有一个 MySQL 表来存储文章之间的引用关系。表结构如下：

表名：PaperReferences

PaperID	ReferencedPaperID
1	2
1	3
1	4
5	1
5	4
6	1
7	1

我想为每篇论文计算一个指标，定义为引用它而不是引用它的论文数量。例如，paper 1 的这个指标是 2，因为它有 3 次引用（5、6、7）但只有 2 次没有引用它的引用（6、7）。也就是说，paper 5 不计入，因为它也引用了paper 4，这是paper 1 的引用之一。

我目前正在使用 Python 和迭代来做这件事。但是，它太慢了，我想知道我是否可以使用单个 SQL 查询获得结果。

对我来说最棘手的部分是过滤掉同样引用 paper 1 的参考文献的无效施引论文。

Answer 1

首先弄清楚什么是不允许的，然后将其加入您的引文列表。

不允许的循环：

Select DISTINCT X.PaperID as Citer, Y.PaperID as disallowed 
From PaperReferences X Inner Join PaperReferences Y
    On X.ReferencedPaperID=Y.ReferencedPaperID
Where X.PaperID<>Y.PaperID

现在将表左连接到这个不允许的集合，过滤掉匹配项，并计算你的总数：

Select ReferencedPaperID as paper, Count(*) as citations
From PaperReferences A Left Outer Join (
    Select DISTINCT X.PaperID as Citer, Y.PaperID as disallowed 
    From PaperReferences X Inner Join PaperReferences Y
        On X.ReferencedPaperID=Y.ReferencedPaperID
    Where X.PaperID<>Y.PaperID
    ) Z on A.PaperID=Z.Citer And A.ReferencedPaperID=Z.Disallowed
Where Z.disallowed Is Null
Group By ReferencedPaperID

Answer 2

我很想知道为什么你的 Python 这么慢。这不是很快就能解决问题吗？

data = (
(1, 2),
(1, 3),
(1, 4),
(5, 1),
(5, 4),
(6, 1),
(7, 1)
)

import collections
cite = collections.defaultdict(set)
cited = collections.defaultdict(set)

for row in data:
    cite[row[0]].add(row[1])
    cited[row[1]].add(row[0])

# We remove 5 from cited[1] because cite[1] and cite[5] overlap.

for k,v in cited.items():
    toremove = set()
    for c in v:
        if cite[k] & cite[c]:
            print(f"removing {c} from {k}")
            toremove.add( c )
    v -= toremove

print(cite)
print(cited)

for k,v in cited.items():
    print( f"{k} has {len(v)} sole citations" )

Answer 3

你可以这样做：

select ReferencedPaperID, count(*) as indicator
from PaperReferences p
left join (
  select b.PaperID
  from PaperReferences a
  join PaperReferences b on b.PaperId = a.PaperId
  join PaperReferences c on c.ReferencedPaperID = b.ReferencedPaperID
  where a.ReferencedPaperID = c.PaperId
) f on f.PaperId = p.PaperId
where f.PaperId is null
group by ReferencedPaperID

结果：

 ReferencedPaperID  indicator 
 ------------------ --------- 
 2                  1         
 3                  1         
 4                  1         
 1                  2         

请参阅DB Fiddle 的运行示例。