Ich habe eine Tabelle, die mit dem folgenden Code erstellt und gefüllt werden kann:
CREATE TABLE dbo.Example(GroupKey int NOT NULL, RecordKey varchar(12) NOT NULL);
ALTER TABLE dbo.Example
ADD CONSTRAINT iExample PRIMARY KEY CLUSTERED(GroupKey ASC, RecordKey ASC);
INSERT INTO dbo.Example(GroupKey, RecordKey)
VALUES (1, 'Archimedes'), (1, 'Newton'), (1, 'Euler'), (2, 'Euler'), (2, 'Gauss'),
(3, 'Gauss'), (3, 'Poincaré'), (4, 'Ramanujan'), (5, 'Neumann'),
(5, 'Grothendieck'), (6, 'Grothendieck'), (6, 'Tao');
Für alle Zeilen mit einer endlichen Kollaborationsentfernung, die auf einer RecordKey
anderen Zeile basiert , möchte ich einen eindeutigen Wert zuweisen. Es ist mir egal, wie oder welcher Datentyp der eindeutige Wert ist.
Mit der folgenden Abfrage kann eine korrekte Ergebnismenge generiert werden, die meinen Anforderungen entspricht:
SELECT 1 AS SupergroupKey, GroupKey, RecordKey
FROM dbo.Example
WHERE GroupKey IN(1, 2, 3)
UNION ALL
SELECT 2 AS SupergroupKey, GroupKey, RecordKey
FROM dbo.Example
WHERE GroupKey = 4
UNION ALL
SELECT 3 AS SupergroupKey, GroupKey, RecordKey
FROM dbo.Example
WHERE GroupKey IN(5, 6)
ORDER BY SupergroupKey ASC, GroupKey ASC, RecordKey ASC;
Um besser zu helfen, was ich frage, erkläre ich, warum GroupKey
s 1–3 dasselbe haben SupergroupKey
:
GroupKey
1 enthält denRecordKey
Euler, der wiederum inGroupKey
2 enthalten ist; also müssenGroupKey
s 1 und 2 dasselbe habenSupergroupKey
.- Da Gauß sowohl in
GroupKey
s 2 als auch in s 3 enthalten ist, müssen auch sie dasselbe habenSupergroupKey
. Dies führt dazu, dassGroupKey
s 1–3 dasselbe hatSupergroupKey
. - Da
GroupKey
s 1–3 keineRecordKey
s mit den verbleibendenGroupKey
s teilen , sind sie die einzigen, denen derSupergroupKey
Wert 1 zugewiesen wurde .
Ich sollte hinzufügen, dass die Lösung generisch sein muss. Die obige Tabelle und Ergebnismenge war nur ein Beispiel.
Nachtrag
Ich habe die Anforderung entfernt, dass die Lösung nicht iterativ sein muss. Obwohl ich eine solche Lösung bevorzugen würde, glaube ich, dass dies eine unangemessene Einschränkung ist. Leider kann ich keine CLR-basierte Lösung verwenden. Wenn Sie jedoch eine solche Lösung einbeziehen möchten, können Sie dies gerne tun. Ich werde es wahrscheinlich nicht als Antwort akzeptieren.
Die Anzahl der Zeilen in meiner realen Tabelle beträgt 5 Millionen, aber es gibt Tage, an denen die Anzahl der Zeilen "nur" etwa zehntausend beträgt. Im Durchschnitt gibt es 8 RecordKey
s pro GroupKey
und 4 GroupKey
s pro RecordKey
. Ich stelle mir vor, dass eine Lösung eine exponentielle zeitliche Komplexität haben wird, aber ich bin trotzdem an einer Lösung interessiert.
quelle
Bei diesem Problem geht es darum, Verknüpfungen zwischen Elementen zu folgen. Dies versetzt es in den Bereich der Grafiken und der Grafikverarbeitung. Insbesondere bildet der gesamte Datensatz ein Diagramm, und wir suchen nach Komponenten dieses Diagramms. Dies kann durch eine grafische Darstellung der Beispieldaten aus der Frage veranschaulicht werden.
Die Frage besagt, dass wir GroupKey oder RecordKey folgen können, um andere Zeilen zu finden, die diesen Wert gemeinsam haben. Wir können also beide als Scheitelpunkte in einem Diagramm behandeln. In der Frage wird weiter erläutert, wie GroupKeys 1–3 denselben SupergroupKey haben. Dies kann als der Cluster auf der linken Seite gesehen werden, der durch dünne Linien verbunden ist. Das Bild zeigt auch die beiden anderen Komponenten (SupergroupKey), die aus den Originaldaten bestehen.
SQL Server verfügt über einige in T-SQL integrierte Grafikverarbeitungsfunktionen. Zu diesem Zeitpunkt ist es jedoch recht dürftig und bei diesem Problem nicht hilfreich. SQL Server kann auch R und Python sowie die umfangreiche und robuste Suite von Paketen aufrufen, die ihnen zur Verfügung stehen. Eines davon ist igraph . Es wurde für "schnelle Handhabung großer Graphen mit Millionen von Eckpunkten und Kanten ( Link )" geschrieben.
Mit R und igraph konnte ich in lokalen Tests 1 eine Million Zeilen in 2 Minuten 22 Sekunden verarbeiten . So wird es mit der derzeit besten Lösung verglichen:
Bei der Verarbeitung von 1 Million Zeilen wurden 1 bis 40 Sekunden verwendet, um das Diagramm zu laden und zu verarbeiten und die Tabelle zu aktualisieren. 42s waren erforderlich, um eine SSMS-Ergebnistabelle mit der Ausgabe zu füllen.
Die Beobachtung des Task-Managers während der Verarbeitung von 1 Million Zeilen lässt darauf schließen, dass etwa 3 GB Arbeitsspeicher erforderlich sind. Dies war auf diesem System ohne Paging verfügbar.
Ich kann Ypercubes Einschätzung des rekursiven CTE-Ansatzes bestätigen. Mit ein paar hundert Aufnahmetasten verbrauchte es 100% der CPU und den gesamten verfügbaren RAM. Schließlich wuchs die Tempdb auf über 80 GB und die SPID stürzte ab.
Ich habe Pauls Tabelle mit der SupergroupKey-Spalte verwendet, damit es einen fairen Vergleich zwischen den Lösungen gibt.
Aus irgendeinem Grund lehnte R den Akzent auf Poincaré ab. Durch Ändern in ein einfaches "e" konnte es ausgeführt werden. Ich habe nicht nachgeforscht, da es für das vorliegende Problem nicht relevant ist. Ich bin sicher, es gibt eine Lösung.
Hier ist der Code
Dies ist, was der R-Code tut
@input_data_1
Auf diese Weise überträgt SQL Server Daten aus einer Tabelle in R-Code und übersetzt sie in einen R-Datenrahmen namens InputDataSet.library(igraph)
Importiert die Bibliothek in die R-Ausführungsumgebung.df.g <- graph.data.frame(d = InputDataSet, directed = FALSE)
Laden Sie die Daten in ein igraph-Objekt. Dies ist ein ungerichteter Graph, da wir Links von Gruppe zu Datensatz oder von Datensatz zu Gruppe folgen können. InputDataSet ist der Standardname von SQL Server für das an R gesendete Dataset.cpts <- components(df.g, mode = c("weak"))
Verarbeiten Sie das Diagramm, um diskrete Unterdiagramme (Komponenten) und andere Kennzahlen zu finden.OutputDataSet <- data.frame(cpts$membership)
SQL Server erwartet einen Datenrahmen von R. Der Standardname lautet OutputDataSet. Die Komponenten werden in einem Vektor gespeichert, der als "Mitgliedschaft" bezeichnet wird. Diese Anweisung übersetzt den Vektor in einen Datenrahmen.OutputDataSet$VertexName <- V(df.g)$name
V () ist ein Vektor von Eckpunkten im Diagramm - eine Liste von GroupKeys und RecordKeys. Dadurch werden sie in den Ausgangsdatenrahmen kopiert und eine neue Spalte mit dem Namen VertexName erstellt. Dies ist der Schlüssel, der zum Abgleichen mit der Quelltabelle zum Aktualisieren von SupergroupKey verwendet wird.Ich bin kein R-Experte. Wahrscheinlich könnte dies optimiert werden.
Testdaten
Die Daten des OP wurden zur Validierung verwendet. Für Skalentests habe ich das folgende Skript verwendet.
Ich habe gerade festgestellt, dass ich die Verhältnisse aus der OP-Definition falsch herum ermittelt habe. Ich glaube nicht, dass dies das Timing beeinflussen wird. Datensätze und Gruppen sind für diesen Prozess symmetrisch. Für den Algorithmus sind sie alle nur Knoten in einem Diagramm.
Beim Testen bildeten die Daten immer eine einzelne Komponente. Ich glaube, das liegt an der gleichmäßigen Verteilung der Daten. Wenn ich anstelle des statischen 1: 8-Verhältnisses, das in der Generierungsroutine fest codiert ist, zugelassen hätte, dass das Verhältnis variiert, hätte es wahrscheinlich weitere Komponenten gegeben.
1 Computerspezifikation: Microsoft SQL Server 2017 (RTM-CU12), Developer Edition (64-Bit), Windows 10 Home. 16 GB RAM, SSD, 4-Kern-Hyperthread-i7, nominal 2,8 GHz. Abgesehen von der normalen Systemaktivität (ca. 4% CPU) waren die Tests die einzigen Elemente, die zu diesem Zeitpunkt ausgeführt wurden.
quelle
Eine rekursive CTE-Methode - die in großen Tabellen wahrscheinlich schrecklich ineffizient ist:
Getestet in dbfiddle.uk
quelle