Problem

Uwaga: mam na myśli sekwencje matematyczne , a nie mechanizm sekwencji w PostgreSQL .

Mam tabelę reprezentującą sekwencje liczb całkowitych. Definicja to:

CREATE TABLE sequences
(
  id serial NOT NULL,
  title character varying(255) NOT NULL,
  date date NOT NULL,
  sequence integer[] NOT NULL,
  CONSTRAINT "PRIM_KEY_SEQUENCES" PRIMARY KEY (id)
);

Moim celem jest znalezienie wierszy przy użyciu podanego podsekwencji. To znaczy, wiersze, w których sequencepole jest sekwencją zawierającą podaną podsekwencję (w moim przypadku sekwencja jest uporządkowana).

Przykład

Załóżmy, że tabela zawiera następujące dane:

+----+-------+------------+-------------------------------+
| id | title |    date    |           sequence            |
+----+-------+------------+-------------------------------+
|  1 | BG703 | 2004-12-24 | {1,3,17,25,377,424,242,1234}  |
|  2 | BG256 | 2005-05-11 | {5,7,12,742,225,547,2142,223} |
|  3 | BD404 | 2004-10-13 | {3,4,12,5698,526}             |
|  4 | BK956 | 2004-08-17 | {12,4,3,17,25,377,456,25}     |
+----+-------+------------+-------------------------------+

Więc jeśli podanym podsekwencją jest {12, 742, 225, 547}, chcę znaleźć wiersz 2.

Podobnie, jeśli podanym podsekwencją jest {3, 17, 25, 377}, chcę znaleźć wiersz 1 i wiersz 4.

Wreszcie, jeśli podanym podsekwencją jest {12, 4, 3, 25, 377}, to nie są zwracane wiersze.

Dochodzenia

Po pierwsze, nie jestem całkowicie pewien, czy sekwencje z tablicowym typem danych są mądre. Chociaż wydaje się to odpowiednie do sytuacji; Obawiam się, że utrudnia to obsługę. Być może lepiej jest inaczej reprezentować sekwencje, używając modelu relacji z inną tabelą.

W ten sam sposób myślę o rozszerzeniu sekwencji za pomocą unnestfunkcji tablicowej, a następnie dodaniu moich kryteriów wyszukiwania. Niemniej liczba zmiennych w sekwencji jest zmienna. Nie widzę, jak to zrobić.

Wiem, że można również przycinać sekwencję w podsekwencjach za pomocą subarrayfunkcji modułu intarray , ale nie widzę korzyści, jakie przyniosło mi to wyszukiwanie.

Ograniczenia

Nawet jeśli obecnie mój model jest wciąż rozwijany, tabela ma składać się z wielu sekwencji, od 50 000 do 300 000 wierszy. Mam więc silne ograniczenie wydajności.

W moim przykładzie użyłem stosunkowo małych liczb całkowitych. W praktyce możliwe jest, że te liczby całkowite staną się znacznie większe, aż do przepełnienia bigint. W takiej sytuacji najlepiej jest przechowywać liczby jako ciągi znaków (ponieważ nie jest konieczne wykonywanie tych sekwencji operacji matematycznych). Jednak wybranie tego rozwiązania uniemożliwia użycie wspomnianego wyżej modułu intarray .

Jeśli szukasz znaczących ulepszeń wydajności odpowiedzi dnoeth , rozważ użycie natywnej funkcji C i utworzenie odpowiedniego operatora.

Oto przykład tablic int4. ( Ogólny wariant tablicy i odpowiedni skrypt SQL ).

Datum
_int_sequence_contained(PG_FUNCTION_ARGS)
{
    return DirectFunctionCall2(_int_contains_sequence,
                               PG_GETARG_DATUM(1),
                               PG_GETARG_DATUM(0));
}

Datum
_int_contains_sequence(PG_FUNCTION_ARGS)
{
    ArrayType  *a = PG_GETARG_ARRAYTYPE_P(0);
    ArrayType  *b = PG_GETARG_ARRAYTYPE_P(1);
    int         na, nb;
    int32      *pa, *pb;
    int         i, j;

    na = ArrayGetNItems(ARR_NDIM(a), ARR_DIMS(a));
    nb = ArrayGetNItems(ARR_NDIM(b), ARR_DIMS(b));
    pa = (int32 *) ARR_DATA_PTR(a);
    pb = (int32 *) ARR_DATA_PTR(b);

    /* The naive searching algorithm. Replace it with a better one if your arrays are quite large. */
    for (i = 0; i <= na - nb; ++i)
    {
        for (j = 0; j < nb; ++j)
            if (pa[i + j] != pb[j])
                break;

        if (j == nb)
            PG_RETURN_BOOL(true);
    }

    PG_RETURN_BOOL(false);
}

CREATE FUNCTION _int_contains_sequence(_int4, _int4)
RETURNS bool
AS 'MODULE_PATHNAME'
LANGUAGE C STRICT IMMUTABLE;

CREATE FUNCTION _int_sequence_contained(_int4, _int4)
RETURNS bool
AS 'MODULE_PATHNAME'
LANGUAGE C STRICT IMMUTABLE;

CREATE OPERATOR @@> (
  LEFTARG = _int4,
  RIGHTARG = _int4,
  PROCEDURE = _int_contains_sequence,
  COMMUTATOR = '<@@',
  RESTRICT = contsel,
  JOIN = contjoinsel
);

CREATE OPERATOR <@@ (
  LEFTARG = _int4,
  RIGHTARG = _int4,
  PROCEDURE = _int_sequence_contained,
  COMMUTATOR = '@@>',
  RESTRICT = contsel,
  JOIN = contjoinsel
);

Teraz możesz filtrować takie wiersze.

SELECT * FROM sequences WHERE sequence @@> '{12, 742, 225, 547}'

Przeprowadziłem mały eksperyment, aby dowiedzieć się, o ile szybsze jest to rozwiązanie.

CREATE TEMPORARY TABLE sequences AS
SELECT array_agg((random() * 10)::int4) AS sequence, g1 AS id
FROM generate_series(1, 100000) g1
  CROSS JOIN generate_series(1, 30) g2
GROUP BY g1;

EXPLAIN ANALYZE SELECT * FROM sequences
WHERE        translate(cast(sequence as text), '{}',',,')
 LIKE '%' || translate(cast('{1,2,3,4}'as text), '{}',',,') || '%'

"Seq Scan on sequences  (cost=0.00..7869.42 rows=28 width=36) (actual time=2.487..334.318 rows=251 loops=1)"
"  Filter: (translate((sequence)::text, '{}'::text, ',,'::text) ~~ '%,1,2,3,4,%'::text)"
"  Rows Removed by Filter: 99749"
"Planning time: 0.104 ms"
"Execution time: 334.365 ms"

EXPLAIN ANALYZE SELECT * FROM sequences WHERE sequence @@> '{1,2,3,4}'

"Seq Scan on sequences  (cost=0.00..5752.01 rows=282 width=36) (actual time=0.178..20.792 rows=251 loops=1)"
"  Filter: (sequence @@> '{1,2,3,4}'::integer[])"
"  Rows Removed by Filter: 99749"
"Planning time: 0.091 ms"
"Execution time: 20.859 ms"

Jest więc około 16 razy szybszy. Jeśli to nie wystarczy, możesz dodać obsługę indeksów GIN lub GiST, ale będzie to znacznie trudniejsze zadanie.

Możesz łatwo znaleźć podsekwencję, gdy rzucisz tablice na ciągi i zastąpisz nawiasy klamrowe przecinkami:

translate(cast(sequence as varchar(10000)), '{}',',,')

{1,3,17,25,377,424,242,1234} -> ',1,3,17,25,377,424,242,1234,'

Zrób to samo dla tablicy, której szukasz, i dodaj wiodące i końcowe %:

'%' || translate(cast(searchedarray as varchar(10000)), '{}',',,') || '%'

{3, 17, 25, 377} -> '%,3,17,25,377,%'

Teraz porównujesz za pomocą LIKE:

WHERE        translate(cast(sequence      as varchar(10000)), '{}',',,')
 LIKE '%' || translate(cast(searchedarray as varchar(10000)), '{}',',,') || '%'

Edytować:

Fiddle znów działa.

Jeśli tablice są znormalizowane w jednym wierszu na wartość, można zastosować logikę opartą na zestawie:

CREATE TABLE sequences
( id int NOT NULL,
  n int not null,
  val numeric not null
);

insert into sequences values(  1, 1,1     );
insert into sequences values(  1, 2,3     );
insert into sequences values(  1, 3,17    );
insert into sequences values(  1, 4,25    );
insert into sequences values(  1, 5,377   );
insert into sequences values(  1, 6,424   );
insert into sequences values(  1, 7,242   );
insert into sequences values(  1, 8,1234  );
insert into sequences values(  2, 1,5     );
insert into sequences values(  2, 2,7     );
insert into sequences values(  2, 3,12    );
insert into sequences values(  2, 4,742   );
insert into sequences values(  2, 5,225   );
insert into sequences values(  2, 6,547   );
insert into sequences values(  2, 7,2142  );
insert into sequences values(  2, 8,223   );
insert into sequences values(  3, 1,3     );
insert into sequences values(  3, 2,4     );
insert into sequences values(  3, 3,12    );
insert into sequences values(  3, 4,5698  );
insert into sequences values(  3, 5,526   );          
insert into sequences values(  4, 1,12    );
insert into sequences values(  4, 2,4     );
insert into sequences values(  4, 3,3     );
insert into sequences values(  4, 4,17    );
insert into sequences values(  4, 5,25    );
insert into sequences values(  4, 6,377   );
insert into sequences values(  4, 7,456   );
insert into sequences values(  4, 8,25    );
insert into sequences values(  5, 1,12    );
insert into sequences values(  5, 2,4     );
insert into sequences values(  5, 3,3     );
insert into sequences values(  5, 4,17    );
insert into sequences values(  5, 5,17    );
insert into sequences values(  5, 6,25    );
insert into sequences values(  5, 7,377   );
insert into sequences values(  5, 8,456   );
insert into sequences values(  5, 9,25    );

nmusi być sekwencyjny, bez duplikatów, bez przerw. Teraz przyłącz się do wspólnych wartości i wykorzystaj fakt, że sekwencje są sekwencyjne :-)

with searched (n,val) as (
  VALUES
   ( 1,3  ),
   ( 2,17 ),
   ( 3,25 ),
   ( 4,377)
)
select seq.id, 
   -- this will return the same result if the values from both tables are in the same order
   -- it's a meaningless dummy, but the same meaningless value for sequential rows 
   seq.n - s.n as dummy,
   seq.val,
   seq.n,
   s.n 
from sequences as seq join searched as s
on seq.val = s.val
order by seq.id, dummy, seq.n;

Na koniec policz liczbę wierszy tym samym manekinem i sprawdź, czy jest to poprawna liczba:

with searched (n,val) as (
  VALUES
   ( 1,3  ),
   ( 2,17 ),
   ( 3,25 ),
   ( 4,377)
)
select distinct seq.id
from sequences as seq join searched as s
on seq.val = s.val
group by 
   seq.id,
   seq.n - s.n
having count(*) = (select count(*) from searched)
;

Wypróbuj indeks sekwencji (val, id, n).