结构化数据上的 TopN 运算
【摘要】
TopN 查询，即从数据中查找前 N 名 / 后 N 名。TopN 查询除了直接取值，还有查询 TopN 所在记录的详细信息，有时候还要查询 TopN 所在的位置。另外 TopN 查询还可能在分组中使用，用于查询组内的前 N 名 / 后 N 名。这么多种 TopN 查询如何处理？这里将为你全程剖析，并提供 esProc SPL 示例代码。结构化数据上的 TopN 运算
1. 最大值 / 最小值
最大值 / 最小值可以理解为 TopN 查询中，N 等于 1 时的情况，因为很常用所以单独拿出来讲一下。取最大值 / 最小值是很常见的需求，例如一班数学最高分是多少，员工年龄最小的是几岁等等。但是有时候我们并不关心具体的值，而是关心最大值 / 最小值出现的位置，这种需求常用于跨行计算。例如公司销售额最高的那个月比上个月的销售额增加了多少？此时我们需要知道销售额最高月份所在记录的行号，再取出上个月的销售额与之比较。还有时候我们关心的是最大值 / 最小值所在记录的详细信息。例如取一班数学最高分的同学姓名，公司年龄最小的员工在哪个部门等等。
本节将从以上三种情况来讲解如何处理最大值 / 最小值的各种情况。以纳斯达克指数为例，部分数据如下：
Date |
Open |
Close |
Volume |
2019/01/02 |
6506.910156 |
6665.939941 |
2261800000 |
2019/01/03 |
6584.77002 |
6463.5 |
2607290000 |
2019/01/04 |
6567.140137 |
6738.859863 |
2579550000 |
2019/01/07 |
6757.529785 |
6823.470215 |
2507550000 |
2019/01/08 |
6893.439941 |
6897.0 |
2380290000 |
… |
… |
… |
… |
1.1 取最大值 / 最小值
【例 1】 求纳斯达克指数 2019 年最高收盘价。
【SPL 脚本】
A |
B |
|
1 |
=file("IXIC.txt").import@t() |
/导入纳斯达克指数数据 |
2 |
=A1.select(year(Date)==2019) |
/选出 2019 年数据 |
3 |
=A2.max(Close) |
/使用函数 A.max() 获取最高收盘价 |
同样的例子，求纳斯达克指数 2019 年最低收盘价：
A |
B |
|
3 |
=A2.min(Close) |
/使用函数 A.min() 获取最低收盘价 |
1.2 取最大值 / 最小值所在的行号
【例 2】 求 2019 年收盘价最高日，相比前一日的收盘价涨幅。
【SPL 脚本】
A |
B |
|
1 |
=file("IXIC.txt").import@t() |
/导入纳斯达克指数数据 |
2 |
=A1.select(year(Date)==2019).sort(Date) |
/选出 2019 年数据并按日期排序 |
3 |
=A2.pmax(Close) |
/使用函数 A.pmax() 取出收盘价最高点所在的行号 |
4 |
=A2.calc(A3,Close/Close[-1]-1) |
/使用收盘价最大值与前日收盘价计算涨幅 |
最大值不一定是唯一的，如果想返回所有的行号，可以使用函数 A.pmax() 的 @a 选项：
A |
B |
|
3 |
=A2.pmax@a(Close) |
/取出所有收盘价最高点记录所在行号 |
如果希望从后向前定位，可以使用函数 A.pmax() 的 @z 选项：
A |
B |
|
3 |
=A2.pmax@z(Close) |
/从后向前取出收盘价最高点记录所在行号 |
1.3 取最大值 / 最小值所在的记录
【例 3】 求纳斯达克指数 2019 年最高点的日期。
【SPL 脚本】
A |
B |
|
1 |
=file("IXIC.txt").import@t() |
/导入纳斯达克指数数据 |
2 |
=A1.select(year(Date)==2019) |
/选出 2019 年数据 |
3 |
=A2.maxp(Close) |
/使用函数 A.maxp() 取出收盘价最高点所在的记录 |
4 |
=A3.Date |
/取出收盘价最高点的日期 |
同样可以使用函数 A.minp() 来取最小值所在记录：
A |
B |
|
3 |
=A2.minp(Close) |
/使用函数 A.minp() 取出收盘价最低点所在的记录 |
函数 A.maxp()和 A.minp() 同样支持 @a 和 @z 选项，就不再逐一列举了。
2. 前 N 个 / 后 N 个
取前 N 个 / 后 N 个的需求，与取最大值 / 最小值是类似的。我们同样分为三类需求来详细介绍。还是以纳斯达克指数为例，部分数据如下：
Date |
Open |
Close |
Volume |
2019/01/02 |
6506.910156 |
6665.939941 |
2261800000 |
2019/01/03 |
6584.77002 |
6463.5 |
2607290000 |
2019/01/04 |
6567.140137 |
6738.859863 |
2579550000 |
2019/01/07 |
6757.529785 |
6823.470215 |
2507550000 |
2019/01/08 |
6893.439941 |
6897.0 |
2380290000 |
… |
… |
… |
… |
2.1 取前 N 个 / 后 N 个值
【例 4】 查询纳斯达克指数 2019 年成交量最高的 3 个量值。
【SPL 脚本】
A |
B |
|
1 |
=file("IXIC.txt").import@t() |
/导入纳斯达克指数数据 |
2 |
=A1.select(year(Date)==2019) |
/选出 2019 年数据 |
3 |
=A2.top(-3, Volume) |
/使用函数 A.top(n,x) 获取成交量最高的 3 个量值 |
同样的例子，查询纳斯达克指数 2019 年成交量最低的 4 个量值：
A |
B |
|
3 |
=A2.top(4, Volume) |
/使用函数 A.top(n,x) 获取成交量最低的 4 个量值 |
2.2 取前 N 个 / 后 N 个所在的行号
【例 5】 查询纳斯达克指数 2019 年收盘价最高的 3 天中，交易量相对前一日的涨幅。
【SPL 脚本】
A |
B |
|
1 |
=file("IXIC.txt").import@t() |
/导入纳斯达克指数数据 |
2 |
=A1.select(year(Date)==2019).sort(Date) |
/选出 2019 年数据并按日期排序 |
3 |
=A2.ptop(-3, Close) |
/使用函数 A.ptop(n,x) 取出最高的 3 个收盘价所在的行号 |
4 |
=A3.run(~=A2(~).Volume/A2(~-1).Volume-1) |
/循环使用当日交易量与前日交易量计算涨幅 |
2.3 取前 N 个 / 后 N 个所在的记录
【例 6】 查询纳斯达克指数 2019 年成交量最低的 5 个交易日的交易信息。
【SPL 脚本】
A |
B |
|
1 |
=file("IXIC.txt").import@t() |
/导入纳斯达克指数数据 |
2 |
=A1.select(year(Date)==2019).sort(Date) |
/选出 2019 年数据 |
3 |
=A2.top(5; Close) |
/使用函数 A.top(n; x) 取出成交量最低的 5 个交易日的记录 |
3. 分组中的使用
除了分组汇总计算每组的最大值 / 最小值，查询每组前 N 个 / 后 N 个也是很常见的需求。例如每个月卖的最好的 5 款商品是哪些，每年总销售额前三名的客户是哪些等等。本节我们会分类介绍，如何解决在分组中使用 TopN 的问题。
3.1 分组聚合中的最大值
【例 7】 查询各班数学最高分。成绩表部分数据如下：
CLASS |
STUDENTID |
SUBJECT |
SCORE |
1 |
1 |
English |
95 |
1 |
1 |
Math |
90 |
1 |
1 |
PE |
80 |
1 |
2 |
English |
75 |
1 |
2 |
Math |
84 |
… |
… |
… |
… |
【SPL脚本】
A |
B |
|
1 |
=file("Score.txt").import@t() |
/导入成绩表数据 |
2 |
=A1.select(Subject:"Math") |
/选出数学成绩 |
3 |
=A2.groups(Class; max(Score):BestScore) |
/按班级分组，使用 max() 函数统计各班数学最高分 |
3.2 分组后进行 TopN 运算
我们也可以把 TopN 查询看作一种聚合运算。首先将数据按照一定的条件分组，然后再对每个分组后的结果集进行 TopN 查询。我们分别按照取值和取记录两种情况来讲解。
【例 8】 查询各班数学前两名的分数。成绩表部分数据如下：
CLASS |
STUDENTID |
SUBJECT |
SCORE |
1 |
1 |
English |
95 |
1 |
1 |
Math |
90 |
1 |
1 |
PE |
80 |
1 |
2 |
English |
75 |
1 |
2 |
Math |
84 |
… |
… |
… |
… |
【SPL脚本】
A |
B |
|
1 |
=file("Score.txt").import@t() |
/导入成绩表数据 |
2 |
=A1.select(Subject:"Math") |
/选出数学成绩 |
3 |
=A2.group(Class; ~.top(-2, Score):top2) |
/按班级分组，使用函数 A.top() 统计各班数学前两名的分数 |
4 |
=A3.new(Class, top2(1):First, top2(2):Second) |
/创建结果表，第一列是班级，第二列是第一名，第三列是第二名 |
【例 9】 查询各班每科成绩前三名的学生信息。成绩表部分数据如下：
CLASS |
STUDENTID |
SUBJECT |
SCORE |
1 |
1 |
English |
95 |
1 |
1 |
Math |
90 |
1 |
1 |
PE |
80 |
1 |
2 |
English |
75 |
1 |
2 |
Math |
84 |
… |
… |
… |
… |
【SPL脚本】
A |
B |
|
1 |
=file("Score.txt").import@t() |
/导入成绩表数据 |
2 |
=A1.group(Class,Subject;~.top(-3;Score):top3) |
/按班级和学科分组并取出每组分数前两名 |
3 |
=A2.conj(top3) |
/将所有班级各科前两名对应的记录合并 |
3.3 以累计方式进行 TopN 运算
以累计方式进行 TopN 运算，不会产生分组的结果集，常用于数据量比较大的时候。我们还是按照取值和取记录两种情况来讲解。
【例 10】 求每个部门入职最早的两个人的入职日期。雇员表的部分数据如下：
EID |
NAME |
DEPT |
EntryDate |
1 |
Rebecca |
R&D |
2005/03/11 |
2 |
Ashley |
Finance |
2008/03/16 |
3 |
Rachel |
Sales |
2010/12/01 |
4 |
Emily |
HR |
2006/08/15 |
5 |
Ryan |
R&D |
2004/07/30 |
… |
… |
… |
… |
【SPL 脚本】
A |
B |
|
1 |
=file("Employee.txt").cursor@t() |
/产生雇员表的游标 |
2 |
=A1.groups(Department; top(2,EntryDate):Top2) |
/按部门分组并取出每组入职时间最早的两个日期 |
3 |
=A2.news(Top2;Department, ~:EntryDate) |
/创建新表，第一列是部门，第二列是入职日期 |
【例 11】 求每个部门薪水前三高的员工信息。雇员表的部分数据如下：
EID |
NAME |
DEPT |
SALARY |
1 |
Rebecca |
R&D |
7000 |
2 |
Ashley |
Finance |
11000 |
3 |
Rachel |
Sales |
9000 |
4 |
Emily |
HR |
7000 |
5 |
Ryan |
R&D |
13000 |
… |
… |
… |
… |
【SPL 脚本】
A |
B |
|
1 |
=file("Employee.txt").cursor@t() |
/产生雇员表的游标 |
2 |
=A1.groups(Department; top(-3;Salary):Top3) |
/按部门分组并取出每组薪水前三的记录 |
3 |
=A2.conj(Top3) |
/把各部门薪水前三的记录合并 |
《SPL CookBook》中还有更多相关计算示例。
