topK

Возвращает массив приблизительно наиболее часто встречающихся значений в указанном столбце. Полученный массив отсортирован по убыванию их приблизительной частоты (а не по самим значениям).

Реализует алгоритм Filtered Space-Saving для анализа TopK, основанный на алгоритме reduce-and-combine из работы Parallel Space Saving.

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

Эта функция не гарантирует точный результат. В некоторых ситуациях возможны погрешности, и она может возвращать часто встречающиеся значения, которые не являются самыми частыми.

Рекомендуется использовать значение N < 10; при больших значениях N производительность снижается. Максимальное значение N = 65536.

Параметры

N — количество возвращаемых элементов. Необязательный параметр. Значение по умолчанию: 10.
load_factor — определяет, сколько ячеек зарезервировано под значения. Если uniq(column) > N * load_factor, результат функции topK будет приблизительным. Необязательный параметр. Значение по умолчанию: 3.
counts — определяет, должен ли результат содержать приблизительное количество и оценку ошибки.

Аргументы

column — значение, по которому вычисляется частота.

Пример

Возьмите набор данных OnTime и выберите три наиболее часто встречающихся значения в столбце AirlineID.

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

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

См. также