聚集表算法： 现有基本表（Base table）以及从基本表对其不同维度（dimensions）值组合（其中*表示所有ALL）进行聚集计算（下图为AVG，取平均）得到的聚集表（Measure）

最新推荐文章于 2024-03-20 13:53:30 发布
最新推荐文章于 2024-03-20 13:53:30 发布
阅读量404 收藏 1
点赞数
分类专栏： 算法 文章标签： javascript 聚集表 算法 聚集算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45286211/article/details/127189534
版权

现有基本表（Base table）以及从基本表对其不同维度（dimensions）值组合（其中*表示所有ALL）进行聚集计算（下图为AVG，取平均）得到的聚集表（Measure），例子如下：

在这里插入图片描述

上图右边的聚集表可展开如下图表示：
在这里插入图片描述

请选择一种擅长的语言设计和实现相关算法，从基本表计算相应的聚集表。

这里是javascript的算法实现：

	// 基本数据     修改基本数据要修改table结构
    let baseArr = [
        ['S1', 'P1', 'Spring', 6],
        ['S1', 'P2', 'Spring', 12],
        ['S2', 'P1', 'Fall', 9],
    ]

    // 数据有效长度，因为sales不计入聚合
    const effeLength = baseArr[0].length - 1;

    // 聚合核心算法
    function aggregate(aggregateArr, baseArr, aggregateVal) {
        let obj = {}; // 使用hash来对相同数据去重（由于对象具有hash的作用，这里直接使用对象就不用map了
        for (let i = 0; i < effeLength; i++) { // 遍历列    01  12 20
            let copyArr = JSON.parse(JSON.stringify(baseArr)) // 深拷贝，防止后续处理污染原始数据
            copyArr.forEach(v => {
                let index = i; // 记录当前聚合列的索引
                for (let j = 0; j < aggregateVal; j++) { // aggregateVal 的值代表聚合的列数
                    v[index] = '*'
                    index++;
                    if (index >= effeLength) {
                        index = 0 // 形成索引环 超过数据长度就从头开始
                    }
                }

                // 将将列合并，方便数据去重,合并相同项，并计算sales和与出现次数（用以计算平均值）
                let key = '';
                for (let j = 0; j < effeLength; j++) {
                    key += v[j] + ','
                }

                if (obj[key]) { // 数据如果已存在，则累加sales值，并记录出现次数
                    obj[key].value += v[effeLength]
                    obj[key].frequency += 1
                } else { // 没有就新建一个
                    obj[key] = {} // obj= {key:{}} <==> obj.key = {}
                    obj[key].value = v[effeLength] // obj.key = {value: sales}
                    obj[key].frequency = 1 // obj.key = {value:sales,frequency:1}
                }
            });
        }
        for (let key in obj) {
            let temp = key.split(','); // 分割出去重后的列
            temp[effeLength] = obj[key].value / obj[key].frequency // 重新计算sales平均值
            aggregateArr.push(temp) // 加入待渲染数组
        }
    }

    // 计算聚集表
    let aggregateArr = [];
    // aggregateVal 为聚合参数， 记录要聚合的列数
    for (let aggregateVal = 0; aggregateVal <= effeLength; aggregateVal++) {
        aggregate(aggregateArr, baseArr, aggregateVal)
    }

结果图：
在这里插入图片描述

完整代码，可以复制到html文件中在浏览器运行。

<!DOCTYPE html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>

<body>
    <div id="app">
        <div>
            基本表
            <table id="baseTable" border="1px">
                <tr>
                    <td colspan="3">Dimensions</td>
                    <td>Measure</td>
                </tr>
                <tr>
                    <td>Store</td>
                    <td>Product</td>
                    <td>Season</td>
                    <td>Sales</td>
                </tr>
            </table>
        </div>
        <div>
            聚集表
            <table id="aggregateTable" border="1px">
                <tr>
                    <td colspan="3">Dimensions</td>
                    <td>Measure</td>
                </tr>
                <tr>
                    <td>Store</td>
                    <td>Product</td>
                    <td>Season</td>
                    <td>AVG(Sales)</td>
                </tr>
            </table>
        </div>
    </div>
</body>
<script>
    // 基本数据     修改基本数据要修改table结构
    let baseArr = [
        ['S1', 'P1', 'Spring', 6],
        ['S1', 'P2', 'Spring', 12],
        ['S2', 'P1', 'Fall', 9],
    ]

    // 数据有效长度，因为sales不计入聚合
    const effeLength = baseArr[0].length - 1;

    // 将数据渲染为html
    function addDom(table, list) {
        let tr = document.createElement('tr'); // 创建元素tr
        list.forEach(text => {
            let td = document.createElement('td');
            td.innerHTML = text;
            tr.appendChild(td); // 将td挂到tr上
        })
        table.appendChild(tr); // 将新的一行数据挂到table上

    }

    // 聚合核心算法
    function aggregate(aggregateArr, baseArr, aggregateVal) {
        let obj = {}; // 使用hash来对相同数据去重（由于对象具有hash的作用，这里直接使用对象就不用map了
        for (let i = 0; i < effeLength; i++) { // 遍历列    01  12 20
            let copyArr = JSON.parse(JSON.stringify(baseArr)) // 深拷贝，防止后续处理污染原始数据
            copyArr.forEach(v => {
                let index = i; // 记录当前聚合列的索引
                for (let j = 0; j < aggregateVal; j++) { // aggregateVal 的值代表聚合的列数
                    v[index] = '*'
                    index++;
                    if (index >= effeLength) {
                        index = 0 // 形成索引环 超过数据长度就从头开始
                    }
                }

                // 将将列合并，方便数据去重,合并相同项，并计算sales和与出现次数（用以计算平均值）
                let key = '';
                for (let j = 0; j < effeLength; j++) {
                    key += v[j] + ','
                }

                if (obj[key]) { // 数据如果已存在，则累加sales值，并记录出现次数
                    obj[key].value += v[effeLength]
                    obj[key].frequency += 1
                } else { // 没有就新建一个
                    obj[key] = {} // obj= {key:{}} <==> obj.key = {}
                    obj[key].value = v[effeLength] // obj.key = {value: sales}
                    obj[key].frequency = 1 // obj.key = {value:sales,frequency:1}
                }
            });
        }
        for (let key in obj) {
            let temp = key.split(','); // 分割出去重后的列
            temp[effeLength] = obj[key].value / obj[key].frequency // 重新计算sales平均值
            aggregateArr.push(temp) // 加入待渲染数组
        }
    }

    // 渲染基础表
    let baseTable = document.getElementById('baseTable')
    baseArr.forEach(v => {
        addDom(baseTable, v); // 渲染
    })

    // 计算聚集表
    let aggregateArr = [];
    // aggregateVal 为聚合参数， 记录要聚合的列数
    for (let aggregateVal = 0; aggregateVal <= effeLength; aggregateVal++) {
        aggregate(aggregateArr, baseArr, aggregateVal)
    }

    // 渲染聚集表
    let aggregateTable = document.getElementById('aggregateTable')
    aggregateArr.forEach(v => {
        addDom(aggregateTable, v); // 渲染
    })
</script>
<style>
    #app {
        display: flex;
        flex-direction: row;
    }
    
    #app div:nth-child(2) {
        margin-left: 20px;
    }
</style>

</html>
君子使物，不为物使
关注
专栏目录
基于 ClickHouse OLAP 的生态：构建基于 ClickHouse 计算存储为核心的“批流一体”数仓体系...
AI天才研究院
11-25 9109
概述本文关键词：■ OLAP■ Multidimensional information systems■ Data warehousing■ Databases■ Decision su...
Kylin原理与代码实例讲解
最新发布
AI天才研究院
05-28 524
Kylin原理与代码实例讲解 1.背景介绍 1.1 大数据时代的挑战 随着数据量的爆炸式增长,传统的数据处理和分析方式已经无法满足现代企业和组织对于实时数据洞察的需求。大数据时代的到来,对于高效、可扩展、低延迟的数据分析系统提出了新的挑战。
关于聚集表的学习
weixin_34396103的博客
05-28 158
关于簇表和表簇： 1）簇表的后台有一张物理表叫表簇，定义簇表的时候要指定对应的表簇.一个表簇对应多张簇表. 表簇的结构： Field Data type Meaning CLKEY1 * First key field CLKEY2 * Second key field ...
Oracle 数据库的聚簇
wuhuif==专栏
10-16 1353
1. 什么是聚簇 　　聚簇是根据码值找到数据的物理存储位置，从而达到快速检索数据的目的。聚簇索引的顺序就是数据的物理存储顺序，叶节点就是数据节点。非聚簇索引的顺序与数据物理排列顺序无关，叶节点仍然是索引节点，只不过有一个指针指向对应的数据块。一个表最多只能有一个聚簇索引。 　　2. 使用 Oracle 聚簇索引 　　聚簇是一种存储表的方法，这些表密切相关并经常一起连接进磁盘的同一区域。例如，表 B
数据库中的基表（base table）
howard_shooter的博客
03-31 2957
基表（base table）是相对于视图（view）而言的，从其它表衍生而来的不是基表，反之就是基表。
05.索引-非聚集索引(1)-聚集表
weixin_33695450的博客
11-06 98
建立非聚集索引 CREATE NONCLUSTERED INDEX NCIX_Employee001_Department_Organization ON Employee001(Department,Organization); ALTER INDEX NCIX_Employee001_Department_Organization ON Employee001 REORGANIZE ...
聚集表（clustered table）data page中的数据行可以无序
weixin_34242331的博客
07-30 112
误区 一直以为只要一个表含有聚集索引，那么在data page中的数据行是排序的。比如原来data page中有1.2.4.5.6这样四条记录，那么我要插入3这条记录，应该是先将456三条记录往后移，然后再插入3这条记录。这样的理解是错误的。 正解 首先从上面的数据行插入说起，如果要移动后面的记录来插入中间的记录，这么会影响性能，这是不允许的。sql server肯定有其他办法来实现有序。今...
＜Attention Is All You Need＞：全网首次提出Transformer模型论文中英文对照学习
kingking44的博客
03-20 1214
循环神经网络，尤其是长短期记忆（LSTM）[13]和门控循环神经网络[7]，已经被确定为序列建模和转换问题的最先进方法，如语言建模和机器翻译[35, 2, 5]。此后，已经进行了大量努力，以推动循环语言模型和编码器-解码器架构的边界[38, 24, 15]。循环模型通常沿着输入和输出序列的符号位置进行计算分解。将位置对齐到计算时间步长，它们生成一系列隐藏状态ht，作为前一个隐藏状态ht−1和位置t的输入的函数。
UG\NX二次开发 多少词汇量才能无障碍阅读开发帮助
王牌飞行员_里海的博客
04-24 2176
大家都知道UFUN的帮助是英文的，有的开发者抱怨看不懂，还有的开发者为了能看懂接口说明专门学英语，那么英语学成什么程度就能无障碍阅读接口文档？我比较好奇，所以专门将UF_MODL部分的ufun函数的接口说明，提取出单词以作统计。大家猜一猜无障碍阅读UF_MODL部分的内容，需要多少词汇量储备呢？
04.索引-聚集索引(2) 堆表、聚集表、聚集索引结构
weixin_34326179的博客
11-06 105
堆表中 1.没有聚集索引页 2.数据页中的数据都是无序的 聚集表中 1.数据页都是有序的，按照索引键列排序 2.索引页指向数据页，数据页本身也是聚集索引的一部分 3.数据页的IndexLevel为0，索引页依次为1 2 3 。。。，最大的IndexLevel的索引页只有一个，即根 转载于:https://www.cnblogs.com/ywnwa417/p/6035250....
Hbase和Hbase表的基本介绍
hongchenshijie的博客
12-13 452
文章目录Hbase的基本介绍Hbase表的特点Hbase的适用场景 Hbase的基本介绍 ​ 简介: hbase是bigtable的开源java版本。是建立在hdfs之上， 提供高可靠性、高性能、列存储、可伸缩、实时读写nosql的数据库系统。它介于nosql和RDBMS之间，仅能通过主键(row key)和主键的range来检索数据，仅支持单行事务(可通过hive支持来实现多表join等复杂操...
BASE的简单实现-本地消息表&事务消息
u013657993的专栏
07-22 209
todo
HBase表设计介绍
貌似君子的专栏
11-28 1万+
概述在不久的过去，大数据的应用越来越多。为了支持这些应用以及扩展老的应用，很多新的数据管理系统被开发出来，被称作大数据革命。这些系统中很多都是开源和社区驱动的。Apache Hbase就是这样的一个系统，是一个开源的分布式的数据库，和Google Bigtable类似。并且发展迅速，为那些需要快速随机访问的大数据应用提供了好的选择。建立在Apache Hadoop之上，并且和Hadoop紧密的集成。
数据挖掘一些面试题总结（Data　Mining）
热门推荐
Blog of Benley
07-14 2万+
Data-Mining试题 2011Alibaba数据分析师（实习）试题解析 一、异常值是指什么？请列举1种识别连续型变量异常值的方法？ 异常值（Outlier） 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值。 Grubbs’ test（是以Frank E.Grubbs命名的），又叫maximumnormed
多维数据模型总结和归纳
Joe192的博客
04-26 5874
开源OLAP引擎：Mondrian 在Mondrian里面的cube是以XML的形式定义的。(MDX) Mondrian本身是不存储数据的，通过MDX语句（一个类似于SQL的查询语言）来获取数据，Mondrian 运行的时候要连数据库，并且还要有一个数据模型配置文件（Mondrian叫schema），其实就是一个取数据的规则；由此可知Mondrian只不过是把MDX 翻译成了SQL然后从数据库中...
索引总结（二）
csb47658的博客
12-07 136
2. 什么是聚集索引2.1 聚集索引定义聚集索引是根据数据行的键值在表中排序存储数据行。索引定义中包含聚集索引列。每个表只能有一个聚集索引。只有当表包含聚集索引时，表中的数据行才按排序顺序存储。如...
SQLserver聚集表、堆和索引
weixin_30360497的博客
11-30 314
SQL Server 表使用下列两种方法之一来组织其分区中的数据页： 聚集表是有聚集索引的表。数据行基于聚集索引键按顺序存储。聚集索引按 B 树索引结构实现，B 树索引结构支持基于聚集索引键值对行进行快速检索。索引中每个级别的页（包括叶级别的数据页）链接在一个双向链接的列表中。但是，通过使用键值来执行从一个级别到另一级别的导航。 堆是没有聚集索引的表。数据行不按任何特殊的...
理解维度数据仓库——事实表、维度表、聚合表
写bug的小哥哥
09-25 1169
事实表 在多维数据仓库中，保存度量值的详细值或事实的表称为“事实表”。一个按照州、产品和月份划分的销售量和销售额存储的事实表有5个列，概念上与下面的示例类似。 Sate Product Mouth Units Dollars WA Mountain-100 January 3 7.95 WA Cable Lock January 4 7.32 OR Mountain-100 January 3 7.95 OR Cable Lock January 4 7.32 WA Moun
图数据结构：邻接矩阵与邻接表存储及其遍历算法实现
在本资源中，我们将探讨图的两种主要存储结构——邻接矩阵和邻接表，以及图的基本运算算法和遍历算法。 一、图的存储结构 1. 邻接矩阵：邻接矩阵是一种表示图中顶点之间相邻关系的二维数组。如果两个顶点之间存在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值