topK

指定されたカラム内で最も頻繁に出現する値を、近似的な上位から配列として返します。結果の配列は、値そのものではなく、値の推定出現頻度の降順でソートされます。

Parallel Space Saving における reduce-and-combine アルゴリズムに基づき、TopK を求めるための Filtered Space-Saving アルゴリズムを実装しています。

topK(N)(column)
topK(N, load_factor)(column)
topK(N, load_factor, 'counts')(column)

この関数の結果は保証されません。特定の状況ではエラーが発生する可能性があり、実際の最頻値ではない頻出値を返す場合があります。

N = 65536 が最大値です。

パラメータ

N — 返す要素数。省略可能。既定値: 10。
load_factor — 値のために確保されるセル数をどの程度にするかを定義します。もし uniq(column) > N * load_factor の場合、topK 関数の結果は近似値になります。省略可能。既定値: 3。
counts — 結果に近似的な出現回数と誤差を含めるかどうかを定義します。

引数

例

OnTime データセットを使用し、AirlineID カラムで最も頻繁に出現する値を 3 つ取得します。

SELECT topK(3)(AirlineID) AS res
FROM ontime

┌─res─────────────────┐
│ [19393,19790,19805] │
└─────────────────────┘

関連項目