我的雇主有一个批处理计算集群来处理用户提交的作业。每个批处理作业由三个步骤组成:
批处理作业管理软件会记录这些步骤中的每一个发生的时间,并且日志文件包含一个元组,其中包含提交作业的员工的 ID 代码、发生的步骤以及发生时间的时间戳。在 CSV 中,它看起来像:
ID step timestamp
-- ------ ---------
A start 3533
B start 3538
B finish 3549
C start 3551
A finish 3557
B report 3559
C finish 3602
A report 3603
B start 3611
C report 3623
B finish 3643
B report 3657
等等。
该数据集的另一个特点是员工之间存在共识,但员工内部不存在共识;即,每个员工必须等到他们当前的工作报告后才能开始下一份工作。因此,当我按日期排序并将结果限制为单个员工时,记录总是以“开始”、“完成”、“报告”的顺序出现。
我想创建一个数据透视表,将每个工作分成一行。于是上面的数据变成了:
employee-ID started finished reported
----------- ------- -------- --------
A 3533 3557 3603
B 3538 3549 3559
B 3611 3643 3657
C 3551 3602 3623
所以,进入SQL:
SELECT
log.ID AS employee-ID,
start.timestamp AS started,
finish.timestamp AS finished,
report.timestamp AS reported
FROM
log
LEFT OUTER JOIN log start ON
log.ID = start.ID
AND start.step = 'start'
LEFT OUTER JOIN log finish ON
log.ID = finish.ID
AND finish.step = 'finish'
AND start.timestamp < finish.timestamp
LEFT OUTER JOIN log report ON
log.ID = report.ID
AND report.step = 'report'
AND finish.timestamp < report.timestamp
ORDER BY employee-ID,started,finished,reported;
我确实需要 LEFT OUTER JOIN,因为我还需要确定已启动但尚未完成或报告的作业。
这很好用。它确实给了我需要的行。但它给了我很多虚假的行,因为 JOIN 匹配
finish
和 report
除当前工作外,同一员工 future 工作的条目。所以报告出来看起来像:employee-ID started finished reported
----------- ------- -------- --------
A 3533 3557 3603
B 3538 3549 3559
B 3538 3549 3657 <-- spurious
B 3538 3643 3657 <-- spurious
B 3611 3643 3657
C 3551 3602 3623
识别伪行很容易:每个作业只启动一次,因此给定排序,正确的行是具有唯一“开始”值的第一行。我现在正在应用程序级别通过跳过虚假行来解决虚假行问题,但这似乎不雅。而且代价高昂:其中一些员工提交了数十个作业,因此目前,我的查询结果大约是 15% 的合法条目和 85% 的虚假条目。跳过虚假条目浪费了很多时间。如果每个工作都有一个唯一的 ID,那就太好了,但我只是没有这些数据。
我需要以某种方式限制 JOIN,以便它为每个“开始”条目仅选取一个“完成”和“报告”条目:最小时间戳大于前一步骤时间戳的单个条目。我尝试通过使用子查询作为我要加入的表来做到这一点,但是如果没有相关的子查询,我无法弄清楚如何做到这一点。我也尝试通过使用“GROUP BY employee-ID,started”来做到这一点,但这不一定选择“正确”的行。 “GROUP BY”报告的大多数行都是错误的。
那么,SQL 大师,是否可以只报告我需要的行?如果是这样,如何?我现在正在使用 sqlite3,但如果需要,可以将数据库传输到 MySQL。
最佳答案
问题是你如何加入 finish
和 report
你不想要 start.timestamp < finish.timestamp
你真的想要start.timestamp < MIN(finish.timestamp)
当然这行不通,所以你必须在加入后做。
例如
SELECT
log.ID AS employee_ID,
start.timestamp AS started,
MIN(finish.timestamp) AS finished,
MIN(report.timestamp) AS reported
FROM
log
LEFT OUTER JOIN log start ON
log.ID = start.ID
AND start.step = 'start'
LEFT OUTER JOIN log finish ON
log.ID = finish.ID
AND finish.step = 'finish'
AND start.timestamp < finish.timestamp
LEFT OUTER JOIN log report ON
log.ID = report.ID
AND report.step = 'report'
AND finish.timestamp < report.timestamp
GROUP BY log.ID,
start.timestamp
ORDER BY
employee_ID,started,finished,reported
您也可以将开始转换为内部连接,因为没有开始就结束并没有多大意义
关于sql - 在 SQL 中执行数据透视表的 JOIN,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/6388093/