在 SQL 中计算 2.3 四分位数平均值

Question

我想在 SQL (MySQL) 中编写一个存储过程来计算第二个和第三个四分位数的平均值。

换句话说，我有测量 URL 加载所需时间的记录。记录是（id，url，时间），它们是每个 URL 的许多测量值。我想要做的是对于每个 URL 删除最低和最高的 25%（即下四分位数和上四分位数）并计算剩余 25%-75% 的加载时间的平均值。并将其存储到另一个表中。

我看到了 MS SQL 的一些示例，似乎相对简单。但我必须使用 MySQL where :

• LIMIT 子句不支持百分比（没有类似的选择前 25% ）
• LIMIT 子句不支持其参数为变量（仅常量）
• 函数不支持动态 SQL（例如 PREPARE 和EXECUTE ）

我到目前为止：

create procedure G(
  IN val VARCHAR(10)
)
Begin
  select @cnt:=count(*) from test where a=val;
  select  @of:= @cnt /4;
  SELECT @len:= @cnt/2; 
  Prepare stmt from 'select * from test where a="a" LIMIT ?,?';
  execute stmt using @of, @len;
END;

我可以用 PHP 编写它，但认为用 SQL 它会有更好的整体性能。我将非常感谢一些帮助。

Answer 1

查看@Richard aka cyberkiwi 在这个问题：

Select *
from
(
    SELECT tbl.*, @counter := @counter +1 counter
    FROM (select @counter:=0) initvar, tbl
    ORDER BY ordcolumn
) X
where counter >= (25/100 * @counter) and counter <= (75/100 * @counter);
ORDER BY ordcolumn

Answer 2

如果四分位值错误，您可以使用 IF 将四分位值设置为零来创建四分位值：

假设原始数据表是由创建的

DROP TABLE IF EXISTS `rawdata`;
CREATE TABLE `rawdata` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `url` varchar(250) NOT NULL DEFAULT '',
  `time` int(11) NOT NULL,
  PRIMARY KEY (`id`),
  KEY `time` (`time`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8;

（当然也是填充的）。

我们还假设四分位表数据是由创建的

DROP TABLE IF EXISTS `quartiles`;
CREATE TABLE `quartiles` (
  `url` varchar(250) NOT NULL,
  `Q1` float DEFAULT '0',
  `Q2` float DEFAULT '0',
  `Q3` float DEFAULT '0',
  `Q4` float DEFAULT '0',
  PRIMARY KEY (`url`),
) ENGINE=MyISAM DEFAULT CHARSET=utf8;

（并留空）。

然后，从原始数据填充四分位数的过程将如下所示

DELIMITER ;;

CREATE PROCEDURE `ComputeQuartiles`()
    READS SQL DATA
BEGIN
    DECLARE numrows int DEFAULT 0;
    DECLARE qrows int DEFAULT 0;
    DECLARE rownum int DEFAULT 0;
    DECLARE done int DEFAULT 0;
    DECLARE currenturl VARCHAR(250) CHARACTER SET utf8;
    DECLARE Q1,Q2,Q3,Q4 float DEFAULT 0.0;
    DECLARE allurls CURSOR FOR SELECT DISTINCT url FROM rawdata;
    DECLARE CONTINUE HANDLER FOR NOT FOUND SET currenturl='';

    OPEN allurls;
    FETCH allurls INTO currenturl;
    WHILE currenturl<>'' DO
        SELECT COUNT(*) INTO numrows FROM rawdata WHERE url=currenturl;
        SET qrows=FLOOR(numrows/4);
        if qrows>0 THEN
            -- Only session parameters can be recalculated inside a query,
            -- so @rownum:=@rownum+1 will work, but rownum:=rownum+1 will not.
            SET @rownum=0;
            SELECT
                SUM(IFNULL(QA,0))/qrows, 
                SUM(IFNULL(QB,0))/qrows, 
                SUM(IFNULL(QC,0))/qrows, 
                SUM(IFNULL(QD,0))/qrows
            FROM (
                SELECT 
                    if(@rownum<qrows,time,0) AS QA,
                    if(@rownum>=qrows AND @rownum<2*qrows,time,0) AS QB,
                    -- the middle 0-3 rows are left out 
                    if(@rownum>=(numrows-2*qrows) AND @rownum<(numrows-qrows),time,0) AS QC,
                    if(@rownum>=(numrows-qrows),time,0) AS QD,
                    @rownum:=@rownum+1 AS dummy
                FROM rawdata
                WHERE url=currenturl ORDER BY time
            ) AS baseview
            INTO Q1,Q2,Q3,Q4
            ;
            REPLACE INTO quartiles values (currenturl,Q1,Q2,Q3,Q4);
        END IF;

        FETCH allurls INTO currenturl;
    END WHILE;
    CLOSE allurls;

END ;;

DELIMITER ;

要点是：

• 使用游标循环 URL（或调整示例以接受 URL 作为参数）
• 对于每个 URL 查找总行数
• 做一些简单的数学运算省略中间行，如果 (rowcount % 4) != 0
• 选择 URL 的所有原始行，将 time 的值分配给 QA-QD 之一，具体取决于在行上数字，为另一个 Qx 分配值 0
• 使用此查询作为另一个查询的子查询，对值进行求和并标准化
• 使用此超级查询的结果来更新四分位数表

我使用 18432 个原始行对此进行了测试，url=concat ('http://.../',floor(rand()*10)), time=round(rand()*10000) 在 8x1.9GHz 机器上始终在 0.50-0.54 秒内完成

Answer 3

这个怎么样？

prepare stmt from select concat('select * from test where a="a" LIMIT ',@of,@len);
execute stmt;

Answer 4

看一下这个使用 MySQL 计算百分位数的优秀示例。我在一些相当大的数据集上使用了它并取得了巨大成功。

http://planet.mysql.com/entry/?id=13588

注意与group_concat_max_len相关的部分 - 这非常重要。将此值设置为最大允许值 - 这是最大数据包大小的设置，将确保如果它构建的字符串太大，您将得到一个正确的错误，而不仅仅是“截断字段”警告。

SET @@group_concat_max_len := @@max_allowed_packet;

我要做的是使用此函数计算第 25 个和第 75 个百分位数（可以在单个查询中完成），然后通过对数据运行第二个查询来计算剩余数据的平均值。

<?php
$lowVal = /* result of query getting the 25%ile value */;
$highVal = /* result of query getting the 75%ile value */;

$strSQL = "SELECT AVG(`field`) AS myAvg 
             FROM `table` 
             WHERE { your_existing_criteria_goes_here }
                AND `filter_field` BETWEEN '{$lowVal}' AND '{$highVal}';"
/* Run the query and extract your data */
?>

希望一切都有意义，并帮助解决您的问题:)

Answer 5

为什么不这样使用一个查询：

select url, avg(time)
from mytable A
where time >
       (select min(B.time) + ((max(B.time)-min(B.time))/100*25)
          from mytable B where B.url = A.url)
and time <
       (select max(B.time) - ((max(B.time)-min(B.time))/100*25)
          from mytable B where B.url = A.url)
group by url;