如何在 Cassandra 中获得 X% 百分位数

Question

考虑 table 结构：

CREATE TABLE statistics (name text, when timestamp, value int, 
PRIMARY KEY ((name, when)));

例如，按名称计算 50% 价值百分位数的最佳方法是什么？我考虑过：

a) 编写自定义聚合函数 + 查询，如：

SELECT PERCENTILE(value, 0.5) FROM statistics WHERE name = '...'

b) 首先按名称计数元素

SELECT COUNT(value) FROM statistics WHERE name = '...'

然后在按值升序排序时分页查找第(0.5/count)行值。比如说，如果计数是 100，它将是第 50 行。

c) 你的想法

我不确定案例A是否可以处理这个任务。当行数为奇数时，情况 B 可能会很棘手。

Answer 1

只要您始终提供 name - 如果不指定分区并将所有内容都集中在一个中，此请求可能会非常昂贵。我假设你在 table 中的意思是 ((name), when) 而不是 ((name, when))，否则如果没有完整的 table 扫描（使用 hadoop 或 spark），你的要求是不可能的。

UDA 可以工作 - 但它可能很昂贵，除非您愿意接受近似值。为了让它完全准确，你需要做 2 次传递（即进行计数，而不是第二次传递以将 X 放入集合，但由于没有隔离，这也不会是完美的）。因此，如果您需要它完全准确，您最好的选择可能是在本地拉取整个 statistics[name] 分区，或者让 UDA 在地图中构建整个集合（或多数）（如果分区变大则不推荐）在计算之前.即：

CREATE OR REPLACE FUNCTION all(state tuple<double, map<int, int>>, val int, percentile double)
  CALLED ON NULL INPUT RETURNS tuple<double, map<int, int>> LANGUAGE java AS '
java.util.Map<Integer, Integer> m = state.getMap(1, Integer.class, Integer.class);
m.put(m.size(), val);
state.setMap(1, m);
state.setDouble(0, percentile);
return state;';

CREATE OR REPLACE FUNCTION calcAllPercentile (state tuple<double, map<int, int>>)
  CALLED ON NULL INPUT RETURNS int LANGUAGE java AS 
  'java.util.Map<Integer, Integer> m = state.getMap(1, Integer.class, Integer.class);
  int offset = (int) (m.size() * state.getDouble(0));
  return m.get(offset);';

CREATE AGGREGATE IF NOT EXISTS percentile (int , double) 
  SFUNC all STYPE tuple<double, map<int, int>>
  FINALFUNC calcAllPercentile
  INITCOND (0.0, {});

如果愿意接受一个近似值，您可以使用一个采样容器，比如您存储的 1024 个元素，并且当您的 UDA 获取元素时，您可以以递减的统计机会替换其中的元素。 (vitter's algorithm R) 这很容易实现，如果您的数据集预计具有正态分布，则可以为您提供一个不错的近似值。如果您的数据集不是正态分布，这可能相去甚远。对于正态分布，实际上还有很多其他选项，但我认为 R 是最容易在 UDA 中实现的。喜欢：

CREATE OR REPLACE FUNCTION reservoir (state tuple<int, double, map<int, int>>, val int, percentile double)
  CALLED ON NULL INPUT RETURNS tuple<int, double, map<int, int>> LANGUAGE java AS '
java.util.Map<Integer, Integer> m = state.getMap(2, Integer.class, Integer.class);
int current = state.getInt(0) + 1;
if (current < 1024) {
    // fill the reservoir
    m.put(current, val);
} else {
    // replace elements with gradually decreasing probability
    int replace = (int) (java.lang.Math.random() * (current + 1));
    if (replace <= 1024) {
        m.put(replace, val);
    }
}
state.setMap(2, m);
state.setDouble(1, percentile);
state.setInt(0, current);
return state;';

CREATE OR REPLACE FUNCTION calcApproxPercentile (state tuple<int, double, map<int, int>>)
  CALLED ON NULL INPUT RETURNS int LANGUAGE java AS 
  'java.util.Map<Integer, Integer> m = state.getMap(2, Integer.class, Integer.class);
  int offset = (int) (java.lang.Math.min(state.getInt(0), 1024) * state.getDouble(1));
  if(m.get(offset) != null)
      return m.get(offset);
  else
      return 0;';

CREATE AGGREGATE IF NOT EXISTS percentile_approx (int , double) 
  SFUNC reservoir STYPE tuple<int, double, map<int, int>>
  FINALFUNC calcApproxPercentile
  INITCOND (0, 0.0, {});

在上面，百分位数函数会很快变慢，调整采样器的大小可以给你或多或少的准确性，但太大就会开始影响性能。通常超过 10k 值的 UDA（即使是像 count 这样的简单函数）也会开始失败。在这些场景中也必须认识到，虽然单个查询 returns 一个值，但要获取它需要大量工作。所以很多这样的查询或很多并发会给你的协调者带来很大的压力。对于 CASSANDRA-10783

，这确实需要 >3.8（我建议 3.11.latest+）

注意：我不保证在示例 UDA 中我没有错过 1 个错误 - 我没有完全测试，但应该足够接近你可以从那里开始工作

如何在 Cassandra 中获得 X% 百分位数

How to get X% percentile in Cassandra

cassandra

cql

cassandra-3.0