逆向思维，去重Cube计算优化新技巧

场景描述

在做数据汇总计算和统计分析时，最头疼的就是去重类指标计算（比如用户数、商家数等），尤其还要带多种维度的下钻分析，由于其不可累加的特性，几乎每换一种统计维度组合，都得重新计算。数据量小时可以暴力的用明细数据直接即时统计，但当数据量大时就不得不考虑提前进行计算了。
典型场景，省、市、区等维度下的支付宝日支付用户数（其中省、市、区为用户下单时所在的地点）。

存在一个情况，某用户早上在杭州市使用支付宝支付了一次，下午跑到绍兴市时又使用支付宝线下支付了一次。那么在统计省+市维度的日支付用户数，需要为杭州市、绍兴市各计1；但在省维度下，需要按用户去重，只能为浙江省计1。针对这种情况，通常就需要以Cube的方式完成数据预计算，同时每个维度组合都需要进行去重操作，因为不可累加。本文将此种场景简称为去重Cube。

这三种写法其实都类似，重点都在于对数据进行膨胀，再进行去重统计。其执行流程如下图所示，核心思路都是先把数据"膨胀"拆为多行，再按照“普通”的Distinct去重统计，因此性能上本身无太大差异，主要在于代码可维护性上。

在实际案例中，我们发现，去重Cube的计算过程中，80%+的计算成本消耗在数据膨胀和数据传输上。比如支付宝高管核心指标场景，需要计算各种组合维度下的支付用户数以支持决策分析。实际组合维度达20+，实际执行任务如下图所示，其中R3_2为核心的数据膨胀过程，数据膨胀近10倍，中间结果数据大小由100GB膨胀至1TB、数据量由120亿膨胀至近1300亿，大部分计算资源和计算耗时都花在数据膨胀和传输上了。若实际的组合维度进一步增加的话，数据膨胀大小也将进一步增加。

一种新的思路

首先对问题进行拆解下，去重Cube的计算过程核心分为两个部分，数据膨胀+数据去重。数据膨胀解决的是一行数据同时满足多种维度组合的计算，数据去重则是完成最终的去重统计，核心思路还是在于原始数据去匹配结果数据的需要。其中数据去重本身的计算量就较大，而数据膨胀会导致这一情况加剧，因为计算过程中需要拆解和在shuffle过程中传输大量的数据。数据计算过程中是先膨胀再聚合，加上本身数据内容的中英文字符串内容较大，所以才导致了大量的数据计算和传输成本。
而我们的核心想法是能否避免数据膨胀，同时进一步减少数据传输大小。因此我们联想到，是否可以采用类似于用户打标签的数据打标方案，先进行数据去重生成UID粒度的中间数据，同时让需要的结果维度组合反向附加到UID粒度的数据上，在此过程中并对结果维度进行编号，用更小的数据结构去存储，避免数据计算过程中的大量数据传输。整个数据计算过程中，数据量理论上是逐渐收敛的，不会因为统计维度组合的增加而增加。

核心思路

核心计算思路如上图，普通的数据膨胀计算cube的方法，中间需要对数据进行膨胀，再聚合，其中结果统计需要的组合维度数就是数据膨胀的倍数，比如上述的“省、省+市”共计两种维度组合，数据预计要膨胀2倍。
而新的数据聚合方法，通过一定的策略方法将维度组合拆解为维度小表并进行编号，然后将原本的订单明细数据聚合至用户粒度的中间过程数据，其中各类组合维度转换为数字标记录至用户维度的数据记录上，整个计算过程数据量是呈收敛聚合的，不会膨胀。

逻辑实现

明细数据准备：以用户线下支付数据为例，明细记录包含订单编号、用户ID、支付日期、所在省、所在市、支付金额。最终指标统计需求为统计包含省、市组合维度+支付用户数的多维Cube。
订单编号 用户ID 支付日期 所在省 所在市 支付金额
2023111101 U001 2023-11-11 浙江省 杭州市 1.11
2023111102 U001 2023-11-11 浙江省 绍兴市 2.22
2023111103 U002 2023-11-11 浙江省 杭州市 3.33
2023111104 U003 2023-11-11 江苏省 南京市 4.44
2023111105 U003 2023-11-11 浙江省 温州市 5.55
2023111106 U004 2023-11-11 江苏省 南京市 6.66
整体方案流程如下图。

• STEP1：对明细数据进行所需的维度提取（即Group By对应字段），得到维度集合。
  所在省 所在市
  浙江省 杭州市
  浙江省 绍兴市
  浙江省 温州市
  江苏省 南京市

• STEP2：对得到的维度集合生成Cube，并对Cube的行进行编码 （假设最终需要所在省、所在省+所在市 2种组合维度），可以用ODPS的Cube功能实现，再根据生成的Cube维度组合进行排序生成唯一编码。
  原始维度：所在省 原始维度：所在省 Cube 维度：所在省 Cube 维度：所在市 Cube行ID（可通过排序生成）
  浙江省 杭州市 浙江省 ALL 1
  浙江省 杭州市 浙江省 杭州市 2
  浙江省 绍兴市 浙江省 ALL 1
  浙江省 绍兴市 浙江省 绍兴市 3
  浙江省 温州市 浙江省 ALL 1
  浙江省 温州市 浙江省 温州市 4
  江苏省 南京市 江苏省 ALL 5
  江苏省 南京市 江苏省 南京市 6

• STEP3：将Cube的行编码，根据映射关系回写到用户明细上，可用Mapjoin的方式实现。
  订单编号 用户ID 支付日期 所在省 所在市 汇总Cube ID
  2023111101 U001 2023-11-11 浙江省 杭州市 [1,2]
  2023111102 U001 2023-11-11 浙江省 绍兴市 [1,3]
  2023111103 U002 2023-11-11 浙江省 杭州市 [1,2]
  2023111104 U003 2023-11-11 江苏省 南京市 [5,6]
  2023111105 U003 2023-11-11 浙江省 温州市 [1,4]
  2023111106 U004 2023-11-11 江苏省 南京市 [5,6]

• STEP4：汇总到用户维度，并对 Cube ID集合字段进行去重 （可以用ARRAY 的DISTINCT）
  用户ID 汇总Cube ID
  U001 [1,2,3]
  U002 [1,2]
  U003 [1,4,5,6]
  U004 [5,6]

• STEP5：按照Cube ID进行计数计算（由于STEP4已经去重啦，因此这里不需要再进行去重）；然后按照映射关系进行维度还原。
  Cube ID 下单用户数指标 Cube 维度还原：所在省 Cube 维度还原：所在市
  1 3 浙江省 ALL
  2 2 浙江省 杭州市
  3 1 浙江省 绍兴市
  4 1 浙江省 温州市
  5 2 江苏省 ALL
  6 2 江苏省 江苏省

代码实现

-- CREATE TABLE IF NOT EXISTS tmp_user_pay_order_detail
-- LIFECYCLE 30 AS 
-- SELECT     '2023111101' AS trade_no,'U001' AS payer_user_id,'20231111' AS gmt_pay,1.11 AS trade_pay_amt,'浙江省' AS province_name,
--     1 AS province_code,'杭州市' AS city_name, 11 AS city_code
-- UNION ALL SELECT '2023111102','U001','20231111',2.22,'浙江省',1,'绍兴市',12
-- UNION ALL SELECT '2023111103','U002','20231111',3.33,'浙江省',1,'杭州市',11
-- UNION ALL SELECT '2023111104','U003','20231111',4.44,'江苏省',2,'南京市',22
-- UNION ALL SELECT '2023111105','U003','20231111',5.55,'浙江省',1,'温州市',13
-- UNION ALL SELECT '2023111106','U004','20231111',6.66,'江苏省',2,'南京市',22

WITH dim_cube AS 
(
    SELECT
        *
        ,DENSE_RANK() OVER(PARTITION BY 1 ORDER BY cube_province_name,cube_city_name) AS cube_id 
    FROM 
    (
        SELECT 
            dim_key
            ,COALESCE(IF(GROUPING(province_name) = 0,province_name,'ALL'),'na') AS cube_province_name             
            ,COALESCE(IF(GROUPING(city_name    ) = 0,city_name    ,'ALL'),'na') AS cube_city_name 
        FROM 
        (
            SELECT  
                CONCAT('',COALESCE(province_name ,''),'#' ,COALESCE(city_name,''),'#' ) AS dim_key
                ,province_name
                ,city_name
            FROM tmp_user_pay_order_detail
            GROUP BY province_name,city_name
        )t 
        GROUP BY dim_key
                ,province_name
                ,city_name
        GROUPING SETS
        (
            (dim_key,province_name)
            ,(dim_key,province_name,city_name)
        )
    )
)

,detail_ext AS 
(
    SELECT 
        payer_user_id
        ,ARRAY_DISTINCT(SPLIT(WM_CONCAT(';',cube_ids),';')) as cube_id_arry
    FROM 
    (
        SELECT  
            /*+ MAPJOIN(dim_cube) */ 
            payer_user_id
            ,cube_ids
        FROM 
        (
            SELECT   
                payer_user_id
                ,CONCAT(''
                    ,COALESCE(province_name ,''),'#' 
                    ,COALESCE(city_name     ,''),'#' 
                ) AS dim_key
            FROM  tmp_user_pay_order_detail
        ) dwd_detail
        JOIN 
        (
            SELECT 
                dim_key
                ,WM_CONCAT(';',cube_id) AS cube_ids
            FROM dim_cube 
            GROUP BY dim_key
        ) dim_cube
        ON dwd_detail.dim_key = dim_cube.dim_key
    )
    GROUP BY payer_user_id
)
SELECT 
    cube_id
    ,MAX(province_name) AS province_name
    ,MAX(city_name    ) AS city_name
    ,MAX(uid_cnt      ) AS user_cnt
FROM 
(
    SELECT   cube_id                 AS cube_id
            ,COUNT(1)                AS uid_cnt
            ,CAST(NULL    AS STRING) AS province_name
            ,CAST(NULL    AS STRING) AS city_name
    FROM detail_ext
    LATERAL VIEW EXPLODE(cube_id_arry) arr AS cube_id
    GROUP BY cube_id

    UNION ALL 

    SELECT   CAST(cube_id AS STRING) AS cube_id
            ,CAST(NULL    AS BIGINT) AS uid_cnt
            ,cube_province_name AS province_name
            ,cube_city_name     AS city_name    
    FROM dim_cube
) base 
GROUP BY cube_id```