最近在弄新组用户画像标签(特征)工程,需要提取用户一些标签排序前n的数据。格式如下:
| 标签1 | 标签2 | 标签3 |
用户编号1 | 0 | 23 | 12 |
| 。。。 | 。。。 | 。。。 |
新建三列作为三个标签数值的排名,截断top30并输出,类似于标签1_rank<30 and 标签2_rank<30 and 标签3_rank<30
但对同一个用户聚合所有标签下的值后,出来后,发现每一次的运行结果都不一样,与原表中的数据对不上。一步一步重新跑sql,发现代码似乎也看不出什么问题,头疼得不行。
直到找了一个厉害的大佬请教,才发现原因是因为用了row_number作为排序函数,row_number会对相同的数字随机排序,并从小到大编号,我的问题就在于,有很多为0的值被随机排序了,而我在截断top30时用的语句是标签1_rank<30 and 标签2_rank<30 and 标签3_rank<30,导致有的标签1为0,其他标签不为0的数据也被截断了,如下表,因为标签1_rank为31的用户编号1就这么带着它的有效数据一起消失了。。。
| 标签1 | 标签2 | 标签3 | 标签1_rank | 标签2_rank | 标签3_rank |
用户编号1 | 0 | 23 | 12 | 31 | 1 | 3 |
| 。。。 | 。。。 | 。。。 | 。。。 | 。。。 | 。。。 |
后来用dense_rank代替row_number这个问题就解决了。。。
至于value,row_number, rank, dense_rank有什么不同,看下图。。。