3

我有两张桌子： DATA

DATA_ID  |  SAMPLE_ID  |  ASSAY_ID  |  SIGNAL
101      |  201        |  301       |  2.87964
102      |  201        |  302       |  7.64623
103      |  202        |  301       |  1.98473
...

并且SAMPLES：

SAMPLE_ID  |  SAMPLE_NAME  |  CATEGORY
201        |  SAMP0001     |  CAT A  
202        |  SAMP0002     |  CAT B
203        |  SAMP0003     |  CAT A
...

中大约有 20,000 行SAMPLES。对于每个样本，在DATA. 每个ASSAY_ID样本在 中每个样本只发生一次DATA。我需要获取样本的子集SAMPLE并计算 中的每个信号值的标准/z 分数值DATA，按 分组ASSAY_ID。我正在尝试创建一个将被重复调用的存储过程，它将接受单个ASSAY_ID值并为预定义样本子集中的所有样本返回SAMPLE_ID和配对。ZSCORE

给定测定的一组样本信号值 ( X = [3.21, 4.56, 1.12, ..])，在这种情况下，标准/z 分数计算为

(X[i] - median(X))/(K * MAD)

其中K，比例因子等于 1.4826，MAD 是调整偏差的中值，等于：

median(|X[i]-median(X)|)

知道了？好:) 现在，使用 SQL 查询执行此计算的最有效方法是什么？执行时间是关键，因为其中有近十亿行，并且几乎每个值DATA都需要计算 z 分数。SIGNAL

这是迄今为止我能想到的最好的查询：

WITH BASE AS (
    SELECT 
        S.SAMPLE_ID,
        D.SIGNAL
    FROM
        DATA D
        JOIN SAMPLES S
            ON D.SAMPLE_ID = S.SAMPLE_ID
    WHERE 
        S.CATEGORY IN ('CAT A', 'CAT B')
        AND D.ASSAY_ID = 12345
        AND S.SAMPLE_NAME NOT IN ('SAMP0003', 'SAMP0005', 'SAMP0008')          
)
SELECT  
    A.SAMPLE_ID,
    (A.SIGNAL-B.MED)/(1.4826*C.MAD) AS ZSCORE
FROM 
    BASE A,
    (
        SELECT MEDIAN(X.SIGNAL) AS MED 
        FROM BASE X
    ) B,
    (
        SELECT MEDIAN(ABS(Y.SIGNAL-YY.MED)) AS MAD 
        FROM BASE Y, 
        (SELECT MEDIAN(SIGNAL) AS MED FROM BASE) YY
    ) C

有没有更有效的方法来执行这个查询？

奖励问题：我可以编写一个 SQL 查询，ASSAY_ID在一次执行中为每个执行此计算吗？

4

1 回答 1

2

你能看看：

SELECT ASSAY_ID, SAMPLE_ID, 
       (SIGNAL - MED)/(1.4826F * MAD) AS ZSCORE
  FROM (
        SELECT ASSAY_ID, SAMPLE_ID, SIGNAL, MED,
               MEDIAN(ABS(SIGNAL - MED)) OVER (PARTITION BY ASSAY_ID) AS MAD
          FROM (
                SELECT ASSAY_ID, SAMPLE_ID, SIGNAL,
                       MEDIAN(SIGNAL) OVER (PARTITION BY ASSAY_ID) AS MED
                  FROM DATA    D
                  JOIN SAMPLES S USING (SAMPLE_ID)
                 WHERE S.CATEGORY IN ('CAT A', 'CAT B')
                   AND S.SAMPLE_NAME NOT IN ('SAMP0003', 'SAMP0005', 'SAMP0008')  
                   AND D.ASSAY_ID = 301
               )
       );

这是正确的吗？它更快吗？如果是，只需删除奖金问题AND D.ASSAY_ID = 301的条款:-)

On the physical side, I would look into the data type for signal (BINARY_FLOAT or BINARY_DOUBLE are supposedly faster than NUMBER). And, if this is an option, I'd try to physically collocate the assays with partitions.

于 2013-01-10T23:49:34.960 回答