Finden Cluster von Werten mit Postgresql

Question

Betrachten Sie die folgende Beispieltabelle:

CREATE TABLE rndtbl AS 
SELECT 
    generate_series(1, 10) AS id, 
    random() AS val; 

und ich möchte voneinander mindestens 0,1 für jeden id ein cluster_id, so dass die Cluster sind weit entfernt zu finden. Wie würde ich eine solche Cluster-Zuweisung berechnen?

wäre ein spezifisches Beispiel sein:

select * from rndtbl ; 
id |  val 
----+------------------- 
    1 | 0.485714662820101 
    2 | 0.185201027430594 
    3 | 0.368477711919695 
    4 | 0.687312887981534 
    5 | 0.978742253035307 
    6 | 0.961830694694072 
    7 | 0.10397826647386 
    8 | 0.644958863966167 
    9 | 0.912827260326594 
10 | 0.196085536852479 
(10 rows) 

Das Ergebnis wäre: id s (2,7,10) in einem Cluster und (5,6,9) in einem anderen Cluster und (4,8) in einem anderen und (1) und (3) als Singleton-Cluster.

Answer 1

Von

SELECT * FROM rndtbl ; 
┌────┬────────────────────┐ 
│ id │  val   │ 
├────┼────────────────────┤ 
│ 1 │ 0.153776332736015 │ 
│ 2 │ 0.572575284633785 │ 
│ 3 │ 0.998213059268892 │ 
│ 4 │ 0.654628816060722 │ 
│ 5 │ 0.692200613208115 │ 
│ 6 │ 0.572836415842175 │ 
│ 7 │ 0.0788379465229809 │ 
│ 8 │ 0.390280921943486 │ 
│ 9 │ 0.611408909317106 │ 
│ 10 │ 0.555164183024317 │ 
└────┴────────────────────┘ 
(10 rows) 

Verwenden Sie die LAG Fensterfunktion zu wissen, ob die aktuelle Zeile in einem neuen Cluster ist oder nicht:

SELECT *, val - LAG(val) OVER (ORDER BY val) > 0.1 AS new_cluster 
FROM rndtbl ; 
┌────┬────────────────────┬─────────────┐ 
│ id │  val   │ new_cluster │ 
├────┼────────────────────┼─────────────┤ 
│ 7 │ 0.0788379465229809 │ (null)  │ 
│ 1 │ 0.153776332736015 │ f   │ 
│ 8 │ 0.390280921943486 │ t   │ 
│ 10 │ 0.555164183024317 │ t   │ 
│ 2 │ 0.572575284633785 │ f   │ 
│ 6 │ 0.572836415842175 │ f   │ 
│ 9 │ 0.611408909317106 │ f   │ 
│ 4 │ 0.654628816060722 │ f   │ 
│ 5 │ 0.692200613208115 │ f   │ 
│ 3 │ 0.998213059268892 │ t   │ 
└────┴────────────────────┴─────────────┘ 
(10 rows) 

Schließlich können Sie die Anzahl der trueSUM (noch Bestellung von val), um den Cluster der Zeile (gezählt von 0) zu erhalten:

SELECT *, SUM(COALESCE(new_cluster::int, 0)) OVER (ORDER BY val) AS nb_cluster 
FROM (
    SELECT *, val - LAG(val) OVER (ORDER BY val) > 0.1 AS new_cluster 
    FROM rndtbl 
) t 
; 
┌────┬────────────────────┬─────────────┬────────────┐ 
│ id │  val   │ new_cluster │ nb_cluster │ 
├────┼────────────────────┼─────────────┼────────────┤ 
│ 7 │ 0.0788379465229809 │ (null)  │   0 │ 
│ 1 │ 0.153776332736015 │ f   │   0 │ 
│ 8 │ 0.390280921943486 │ t   │   1 │ 
│ 10 │ 0.555164183024317 │ t   │   2 │ 
│ 2 │ 0.572575284633785 │ f   │   2 │ 
│ 6 │ 0.572836415842175 │ f   │   2 │ 
│ 9 │ 0.611408909317106 │ f   │   2 │ 
│ 4 │ 0.654628816060722 │ f   │   2 │ 
│ 5 │ 0.692200613208115 │ f   │   2 │ 
│ 3 │ 0.998213059268892 │ t   │   3 │ 
└────┴────────────────────┴─────────────┴────────────┘ 
(10 rows)