标记不连续的日期范围

Question

背景（输入）

全球历史气候网络在其天气收集中标记了无效或错误数据测量。删除这些元素后，大量数据不再具有连续的日期部分。数据类似于：

"2007-12-01";14 -- Start of December
"2007-12-29";8
"2007-12-30";11
"2007-12-31";7
"2008-01-01";8 -- Start of January
"2008-01-02";12
"2008-01-29";0
"2008-01-31";7
"2008-02-01";4 -- Start of February
... entire month is complete ...
"2008-02-29";12
"2008-03-01";14  -- Start of March
"2008-03-02";17
"2008-03-05";17

问题（输出）

虽然可以推断丢失的数据（例如，通过对其他年份进行平均）来提供连续范围，但为了简化系统，我想根据是否存在连续范围来标记非连续段填充月份的日期：

D;"2007-12-01";14 -- Start of December
D;"2007-12-29";8
D;"2007-12-30";11
D;"2007-12-31";7
D;"2008-01-01";8 -- Start of January
D;"2008-01-02";12
D;"2008-01-29";0
D;"2008-01-31";7
"2008-02-01";4 -- Start of February
... entire month is complete ...
"2008-02-29";12
D;"2008-03-01";14  -- Start of March
D;"2008-03-02";17
D;"2008-03-05";17

一些测量是在 1843 年进行的。

问题

对于所有气象站，如何标记月份中缺少一天或多天的所有天数？

源代码

选择数据的代码类似于：

select
  m.id,
  m.taken,
  m.station_id,
  m.amount
from
  climate.measurement

相关想法

生成一个包含连续日期的表格，并将它们与测量的数据日期进行比较。

• 什么是在 sql 结果中填充空日期的最直接方法（在 mysql 或 perl 端）？
• 如何对连续范围进行分组
• http://msdn.microsoft.com/en-us/library/aa175780%28v=sql.80%29.aspx

更新

该问题可以使用本节中的 SQL 重新创建。

表

创建表如下：

CREATE TABLE climate.calendar
(
  id serial NOT NULL,
  n character varying(2) NOT NULL,
  d date NOT NULL,
  "valid" boolean NOT NULL DEFAULT true,
  CONSTRAINT calendar_pk PRIMARY KEY (id)
)
WITH (
  OIDS=FALSE
);

生成数据

以下 SQL 向表中插入数据 (id [int], name [varchar], date [date], valid [boolean])：

insert into climate.calendar (n, d) 
    select 'A', (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
insert into climate.calendar (n, d) 
    select 'B', (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
insert into climate.calendar (n, d) 
    select 'C', (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
insert into climate.calendar (n, d) 
    select 'D', (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
insert into climate.calendar (n, d) 
    select 'E', (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
insert into climate.calendar (n, d) 
    select 'F', (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n

值 'A' 到 'F' 代表气象站的名称在特定的一天进行了测量。

删除随机行

删除一些行，如下所示：

delete from climate.calendar where id in (select id from climate.calendar order by random() limit 5000);

尝试 #1

以下操作不会将一个月中缺少一个或一个的所有天的 valid 标志切换为 false更多天：

UPDATE climate.calendar
SET valid = false
WHERE date_trunc('month', d) IN (
    SELECT DISTINCT date_trunc('month', d)
    FROM climate.calendar A
    WHERE NOT EXISTS (
        SELECT 1
        FROM climate.calendar B
        WHERE A.d - 1 = B.d
   )
);

尝试#2

以下 SQL 生成一个空结果集：

with gen_calendar as (
    select (date('1982-01-1') + (n || ' days')::interval)::date cal_date
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
)
select gc.cal_date
from gen_calendar gc
left join climate.calendar c on c.d = gc.cal_date
where c.d is null;

尝试 #3

以下 SQL 生成所有可能的站点名称和日期组合：

select
  distinct( cc.n ), t.d
from
  climate.calendar cc,
  (
    select (date('1982-01-1') + (n || ' days')::interval)::date d
    from generate_series(0, date('2011-04-9') - date('1982-01-1') ) n
  ) t
order by
  cc.n

然而，在实际数据中，有数百个站点，并且日期返回到1800年代中期，所以所有站点的所有日期的笛卡尔值太大。如果有足够的时间，这种方法可能会奏效……一定有更快的方法。

尝试 #4

PostgreSQL 有窗口函数。

如何使用 postgres 中的窗口函数选择特定更改

谢谢！

Answer 1

generate_series()

PostgreSQL 的 generate_series() 函数可以创建一个包含连续日期列表的视图：

with calendar as (
    select ((select min(date) from test)::date + (n || ' days')::interval)::date cal_date
    from generate_series(0, (select max(date) - min(date) from test)) n
)
select cal_date
from calendar c
left join test t on t.date = c.cal_date
where t.date is null;

表达式 select max(date) - min(date) from test 可能是落后一位。

计算每月天数

识别无效月份的一种方法是创建两个视图。第一个计算每个站每月应产生的每日读数数量。 （请注意，climate.calendar 被翻译为climate_calendar。）第二个返回每个站每月产生的实际每日读数。

每个站点每月的最大天数

此视图将返回每个站点每月的实际天数。 （例如，二月始终有 28 天或 29 天。）

create view count_max_station_calendar_days as 
with calendar as (
    select ((select min(d) from climate_calendar)::date + (n || ' days')::interval)::date cal_date
    from generate_series(0, (select max(d) - min(d) from climate_calendar)) n
)
select n, extract(year from cal_date) yr, extract(month from cal_date) mo, count(*) num_days
from stations cross join calendar
group by n, yr, mo
order by n, yr, mo

每个站点每月的实际天数

返回的总天数将少于计数。 （例如，一月总是有 31 天或更少。）

create view count_actual_station_calendar_days as
select n, extract(year from d) yr, extract(month from d) mo, count(*) num_days
from climate_calendar
group by n, yr, mo
order by n, yr, mo;

在生产中删除 ORDER BY 子句（它们对开发很有帮助）。

比较视图

将两个视图连接起来以识别需要标记的电台和月份，将其放入新视图中：

create view invalid_station_months as 
select m.n, m.yr, m.mo, m.num_days - a.num_days num_days_missing
from count_max_station_calendar_days m
inner join count_actual_station_calendar_days a
       on (m.n = a.n and m.yr = a.yr and m.mo = a.mo and m.num_days <> a.num_days)

n   yr    mo  num_days_missing
--
A   1982  1   1
E   2007  3   1

num_days_missing 列不是必需的，但很有用。

这些是需要更新的行：

select cc.* 
from climate_calendar cc
inner join invalid_station_months im 
        on (cc.n = im.n and 
            extract(year from cc.d) = im.yr and
            extract(month from cc.d) = im.mo)
where valid = true

更新数据库

要更新它们，id 键很方便。

update climate_calendar
set valid = false
where id in (
    select id
    from climate_calendar cc
    inner join invalid_station_months im 
        on (cc.n = im.n and 
            extract(year from cc.d) = im.yr and
            extract(month from cc.d) = im.mo)
    where valid = true
);

Answer 2

这是一种方法，假设您有一个名为 is_contigious 的 BOOLEAN 字段。根据需要进行修改：

UPDATE measurement
SET is_contiguous = FALSE
WHERE NOT EXISTS (
  SELECT 1
    FROM measurement B
   WHERE measurement.taken - 1 = B.taken
);

编辑：

我相信我误解了您的要求。我以为你想标记不连续的单个日期。但显然，如果缺少任意天数，您希望将整个月的日期标记为不连续。

编辑 2：

这是我的原始（不正确）查询的修改版本，它选择缺少任何日期的不同月份：

UPDATE measurement
SET is_contiguous = FALSE
WHERE date_trunc('month', taken) IN (
    SELECT DISTINCT date_trunc('month', taken)
    FROM measurement A
    WHERE NOT EXISTS (
        SELECT 1
        FROM measurement B
        WHERE A.taken - 1 = B.taken
   )
);

Answer 3

假设每天不能超过一行，这应该返回行数不等于该月天数的所有月份。

SELECT station_id, DATE_TRUNC('month', d)
FROM climate.calendar
GROUP BY station_id, DATE_TRUNC('month', d)
HAVING COUNT(*) <> 
  DATE_PART('month',
            DATE_TRUNC('month', d) + INTERVAL '1 month' - INTERVAL '1 day')