SQL 的后计算脚本

【摘要】

SQL 的后计算脚本用于实现 SQL 不适合的某些复杂运算,本文从此类工具中精心挑选了三种,从开发效率、语法表达能力、结构化函数库等方面进行深度对比,考察了各脚本在集合计算、有序计算等重点运算上的表现,esProc 在这几款工具中的表现最为出色。点击SQL 的后计算脚本了解详情。

大多数情况下,我们用 SQL(存储过程)就可以完成数据库计算,但如果遇到 SQL 不擅长的某些复杂运算,就只能用其他程序语言把数据读出库外,然后在数据库外完成计算,这样的程序语言经常是以简单脚本的形式出现,我们在这里称为 SQL 的后计算脚本。

SQL 不擅长的运算主要包括复杂的集合计算、有序计算、关联计算、多步骤计算等。SQL 集合化不够彻底,没有显式的集合数据类型,导致计算过程中产生的集合难以复用,比如分组后必须强制汇总,而基于分组后的子集无法再计算;SQL 基于无序集合理论设计,处理跨行组及排名等有序运算非常麻烦,经常用 JOIN 或子查询临时生成序号,不仅难写而且运算效率很低。SQL 还不支持记录的引用,只能用子查询或 JOIN 语句描述关联关系,一旦遇到层级较多或自关联的情况,代码就会异常复杂;SQL 本身也不提倡多步骤代码,经常迫使程序员写出嵌套很多层的长语句,虽然用存储过程可以一定程度解决这个问题,但有时实际环境不允许我们使用存储过程,比如 DBA 严格控制存储过程的权限、旧数据库和小型数据库不支持存储过程等,而且存储过程的调试也很不方便,并不是很适合写出有过程的计算。

除了上述复杂运算,还有一些情况也会用到 SQL 的后计算脚本。比如,计算逻辑需要在不同种类的数据库间迁移,涉及到非关系数据库;输入源或输出目标不止数据库,而是 Excel、文本等文件;还可能在多个数据库之间进行混合计算。这些都会涉及库外计算,用到 SQL 的后计算脚本。

对 SQL 的后计算脚本而言,最重要的功能当然还是实现 SQL 不擅长的那些复杂运算。除此之外,最好还能具备一些更高级的特性,比如计算文件、非关系数据库等多样性数据、能处理较大的数据量、运算性能 不能太慢等。当然,最基本的是要方便地支持读写数据库,这样才能实现 SQL 的后计算。

常见的用于 SQL 后计算脚本有 JAVA、Python pandas、esProc,下面就让我们深入了解这些脚本,看看它们进行 SQL 后计算时的能力差异。

JAVA

C++、JAVA 等高级语言理论上无所不能,自然也能实现 SQL 不擅长的运算。JAVA 支持泛型,集合化比较彻底,可以实现复杂的集合运算。JAVA 的数组本来就有序号,可以实现有序运算。JAVA 支持对象引用,可用引用来表示关系,关联运算也没什么问题。JAVA 支持分支、循环等过程性语法,可轻松实现多步骤复杂运算。

但是,JAVA 缺乏结构化类库,连最简单的结构化计算都必须硬编码实现,最基本的结构化数据类型也要手工建立,这会导致代码冗长繁琐。

举个有序计算的例子:求某支股票最长连续上涨天数。库表 AAPL 存储某支股票的股价信息,主要字段有交易日期、收盘价,请计算该股票最长的连续上涨天数。

按自然思路实现这个任务:对日期有序的股票记录进行循环,如果本条记录与上一条记录相比是上涨的,则将连续上涨天数(初始为 0)加 1,如果是下跌的,则将连续上涨天数和当前最大连续上涨天数(初始为 0)相比,选出新的当前最大连续上涨天数,再将连续上涨天数清 0。如此循环直到结束,当前最大连续上涨天数即最终的最大连续上涨天数。

SQL 不擅长有序计算,无法用上述自然思路实现,只能用一些古怪难懂的技巧:把按日期有序的股票记录分成若干组,连续上涨的记录分成同一组,也就是说,某天的股价比上一天是上涨的,则和上一天记录分到同一组,如果下跌了,则开始一个新组。最后看所有分组中最大的成员数量,也就是最多连续上涨的天数。

具体 SQL 如下:

这段 SQL 并不算很长,但嵌套了四层,所用技巧古怪难懂,一般人很难想出这样的代码。

用 JAVA 实现时,就可以回归自然思路:

后面那段代码就是前面讲述的思路,只要一层循环就可以完成了。

然而,我们也发现,Java 写出的这段代码,虽然思路简单,难度不大,但显然代码很冗长。

这个问题的复杂度并不高,还没涉及到常见的分组、连接等结构化数据计算,否则代码量将更为惊人,限于篇幅,就不再用 JAVA 举例了。

在多样性数据、优化性能、处理大数据等高级功能方面,JAVA 的特点同样是“能实现,但太繁琐”,这里也不再赘述。

JAVA 是个优秀的企业级通用语言,但通用的另一层意思往往是不专业,换句话说,JAVA 缺乏专业的结构化计算类库,代码冗长繁琐,算不上理想的 SQL 后计算脚本。

Python pandas

Python 有简捷的语法,还拥有众多的第三方函数库,其中就有服务于结构化计算的 Pandas。也正因为如此,Pandas 常被用作 SQL 的后计算脚本。

作为结构化计算函数库,Pandas 简化 SQL 复杂运算的能力要比 JAVA 强很多。

比如,同样的有序运算 “求最长连续上涨天数”,Pandas 代码是这样的:

上述代码中,Pandas 提供了用于结构化计算的数据结构 dataFrame,这种数据结构天然带序号,在有序运算中可以简化代码,比 JAVA 更容易进行跨行取数。此外,Pandas 对 SQL 取数的封装也很紧凑,比 JAVA 代码更加简短。

再比如集合计算例子:一行拆分为多行。库表 tb 有 2 个字段,其中 ANOMALIES 存储以空格为分隔符的字符串,需将 ANOMALIES 按空格拆分,使每个 ID 字段对应一个成员。

处理前的数据                     

处理后的数据:

Pandas 核心代码如下(省略数据库输入输出,下同):

上述代码中,Pandas 用集合函数将字符串直接拆分为 dataFrame,再用集合函数将多个 dataFrame 直接合并,代码非常简练。JAVA 虽然可以实现类似的功能,但都要手工实现,代码要繁琐得多。

作为结构化计算函数库,Pandas 代码的确比 JAVA 简练,但这仅限于复杂度有限的情况下,如果复杂度进一步提高,Pandas 代码也会变得冗长难懂。

比如这个涉及集合计算 + 有序计算的例子:连续值班情况。库表 duty 记录着每日值班情况,一个人通常会持续值班几个工作日,之后再换人,现在请根据 duty 依次计算出每个人连续的值班情况。数据结构示意如下:

处理前(duty)

处理后

核心的 pandas 代码如下:

上面已经省略了数据库输出输出的过程,可以看到代码还是有点繁琐。

再比如集合计算 + 多步骤运算的例子:计算分期贷款明细。库表 loan 记录着贷款信息,包括贷款 ID,贷款总额、期数、年利率,示意如下:

需要计算出各期明细,包括:当期还款额、当期利息、当期本金、剩余本金。计算结果如下:

实现上述运算的 Pandas 核心代码如下:

可以看到,在简化 SQL 复杂运算方面 Python 虽然比 JAVA 强很多,但只限于简单情况,如果需求再复杂些,代码也会变得冗长难懂。之所以出现这种现象,可能因为 Pandas 只是第三方函数库,不能得到 Python 从语法层面的底层支撑,设计的专业性也不足。

Pandas 的专业性不足,还体现在多样性数据上。Pandas 没有为各类数据源开发统一接口,只支持常见的本地文件,但不支持复杂的数据源,比如 Hadoop、MongoDB,用户还要自己寻找第三方(实际是第四方)函数库,并编写复杂的访问代码。Pandas 甚至没有统一数据库接口,比如 MySQL 就有好几种第三方函数库,常见的有 PyMySQL、sqlalchemy、MySQLdb。不过,这个问题对于大多数桌面应用场景还不严重,常见的数据库 Python 基本上都能简单地支持。

对于多源混合关联问题,只要能读出各种数据源的数据,基本上也就能实现了,Pandas 在这方面的表现基本令人满意。不过,还是上面的说法,对于简单的混合关联关系,Pandas 都容易实现,而一旦出现较复杂的关联运算,实现过程就会变得困难起来。

在大数据量方面,Pandas 的表现就不尽如人意了。Pandas 没有游标数据类型,这导致解决较大数据量的计算时,必须硬编码实现循环取数,而不能自动进行内外存交换,代码因此异常繁琐。详情可参考《How Python Handles Big Files》

Pandas 的运算性能也一般,但基本够用。令人经常诟病的主要是多线程并行,Python 下很难实现此类运算。比如数据库 IO 一般都较慢,但可以在数据库不忙时使用并行取数的办法来提高取数性能。而 Python 要借助其他第三方函数库才能实现并行,代码异常繁琐,且在表达效率、执行效率、稳定性等方便均缺乏保障。

Pandas 虽然是结构化计算函数库,但仍不够好用。

esProc

与 Pandas 类似,esProc 也具有丰富的结构化计算函数,与 Pandas 不同的是, esProc 是由商业公司支持的产品,是专业的结构化计算语言,而不是开源社区的第三方库函数,也不存在一个松散的上级组织。esProc 可以从全局角度设计一致的结构化计算语法,可以自底向上设计统一的结构化数据类型,使函数之间以最大的灵活度搭配组合,从而快捷方便地解决 SQL 后计算中遇到的问题。

作为专业的结构化计算语言,esProc 擅长简化 SQL 复杂运算,比如,求最长连续上涨天数,实现前面说过的自然思路,esProc 只需短短 2 行:

上述代码使用了序表和循环函数,序表是专用于结构化计算的数据结构,可以比 Pandas 更容易进行跨行取数,可以更方便地实现有序计算,循环函数可以避免大部分的 for 语句(复杂情况下还是应该用 for),可以大幅简化代码。此外,esProc 对 SQL 取数的封装更紧凑,比 Pandas 代码更加简短。

再比如一行拆分为多行,esProc 代码依然简短:

即使需求复杂度进一步提高,esProc 仍然可以轻松实现。

比如连续值班情况,esProc 代码要比 Pandas 简短很多:

再比如计算分期贷款明细,esProc 同样比 Pandas 简短:

对于 Pandas 很难实现的复杂运算,esProc 通常也能轻松实现,而且代码不难。比如涉及多步骤算法 + 集合运算 + 动态表结构的任务:将子表横向插入子表。

源表关系

目标结果

esProc 可以大幅简化这段代码:

作为专业的结构化计算语言,esProc 不仅可以大幅简化 SQL 不擅长的复杂运算,还具备更高级的能力去解决一些特殊情况。

在多样性数据方面,esProc 支持多种文件格式和复杂的数据源,比如 Hadoop、MongoDB 等。更进一步,只需使用相同的代码,数据分析师就能计算来源各异的数据,既包括数据库,也包括非数据库。

在大数据量方面,esProc 从底层提供了游标机制,对上层隐藏了内外存交换细节,允许数据分析师用类似处理小数据量的语法,直观地处理较大的数据量。

比如,库表 orders 记录着电商的大量订单,全部读出会超出内存,现在需要在库外计算每个销售员销售额最大的 3 笔订单。esProc 代码如下:

esProc 也提供了很多简单易用的方法进行性能优化。比如:orders 表每月的数据大致相等,请按月份进行多线程并行查询,从而大幅提高查询性能。esProc 只需如下代码:

经过前面的比较我们可以发现,esProc 具备丰富的结构化函数,是专业的结构化计算语言,可以大幅简化 SQL 不擅长的复杂运算逻辑,是更加理想的 SQL 后计算脚本。

你可能感兴趣的