将大型SQL查询转换为NumPy

Question

我在我的网页应用中有一个非常大的MySQL查询，长得像这样：

query = 
SELECT video_tag.video_id, (sum(user_rating.rating) * video.rating_norm) as score 

FROM video_tag 
JOIN user_rating ON user_rating.item_id = video_tag.tag_id
JOIN video ON video.id = video_tag.video_id 

WHERE item_type = 3 AND user_id = 1 AND rating != 0 AND video.website_id = 2 
AND rating_norm > 0 AND video_id NOT IN (1,2,3) GROUP BY video_id 
ORDER BY score DESC LIMIT 20"

这个查询是把三个表（视频表、视频标签表和用户评分表）连接在一起，整理结果，并进行一些基本的数学运算来计算每个视频的分数。因为这些表都很大，所以这个过程大约需要2秒钟。

我在想，既然SQL要做这么多工作，可能用NumPy数组来计算会更快一些。因为'视频'和'视频标签'里的数据是固定的，所以我可以把这两个表的数据一次性加载到内存里，这样就不用每次都去问SQL了。

不过，虽然我可以把这三个表的数据分别加载到三个数组里，但我在复制上面的查询时遇到了麻烦，特别是JOIN和GROUP BY的部分。有没有人有用NumPy数组来复制SQL查询的经验呢？

谢谢！

Answer 1

这个练习让人觉得有点尴尬的原因是NumPy数组的单一数据类型限制。举个例子，进行GROUP BY操作时，至少需要有一个连续值的字段/列（用来聚合或求和），还有一个字段/列用来进行分组。

当然，NumPy的记录数组（recarrays）可以用不同的数据类型来表示一个二维数组（或者说SQL表），每一列可以有不同的类型（也叫“字段”）。不过我觉得这些组合数组使用起来挺麻烦的。所以在下面的代码示例中，我只是用了传统的ndarray类来模拟提问者问题中提到的两个SQL操作。

在NumPy中模拟SQL JOIN：

首先，创建两个NumPy数组（A和B），每个数组代表一个SQL表。A的主键在第一列；B的外键也在第一列。

import numpy as NP
A = NP.random.randint(10, 100, 40).reshape(8, 5)
a = NP.random.randint(1, 3, 8).reshape(8, -1)    # add column of primary keys      
A = NP.column_stack((a, A))

B = NP.random.randint(0, 10, 4).reshape(2, 2)
b = NP.array([1, 2])
B = NP.column_stack((b, B))

现在（尝试）用NumPy数组对象来模拟JOIN操作：

# prepare the array that will hold the 'result set':
AB = NP.column_stack((A, NP.zeros((A.shape[0], B.shape[1]-1))))

def join(A, B) :
    '''
    returns None, side effect is population of 'results set' NumPy array, 'AB';
    pass in A, B, two NumPy 2D arrays, representing the two SQL Tables to join
    '''
    k, v = B[:,0], B[:,1:]
    dx = dict(zip(k, v))
    for i in range(A.shape[0]) :
        AB[i:,-2:] = dx[A[i,0]]

在NumPy中模拟SQL GROUP BY：

def group_by(AB, col_id) :
    '''
    returns 2D NumPy array aggregated on the unique values in column specified by col_id;
    pass in a 2D NumPy array and the col_id (integer) which holds the unique values to group by
    '''
    uv = NP.unique(AB[:,col_id]) 
    temp = []
    for v in uv :
        ndx = AB[:,0] == v          
        temp.append(NP.sum(AB[:,1:][ndx,], axis=0))
    temp = NP. row_stack(temp)
    uv = uv.reshape(-1, 1)
    return NP.column_stack((uv, temp))

对于一个测试案例，它们返回了正确的结果：

>>> A
  array([[ 1, 92, 50, 67, 51, 75],
         [ 2, 64, 35, 38, 69, 11],
         [ 1, 83, 62, 73, 24, 55],
         [ 2, 54, 71, 38, 15, 73],
         [ 2, 39, 28, 49, 47, 28],
         [ 1, 68, 52, 28, 46, 69],
         [ 2, 82, 98, 24, 97, 98],
         [ 1, 98, 37, 32, 53, 29]])

>>> B
  array([[1, 5, 4],
         [2, 3, 7]])

>>> join(A, B)
  array([[  1.,  92.,  50.,  67.,  51.,  75.,   5.,   4.],
         [  2.,  64.,  35.,  38.,  69.,  11.,   3.,   7.],
         [  1.,  83.,  62.,  73.,  24.,  55.,   5.,   4.],
         [  2.,  54.,  71.,  38.,  15.,  73.,   3.,   7.],
         [  2.,  39.,  28.,  49.,  47.,  28.,   3.,   7.],
         [  1.,  68.,  52.,  28.,  46.,  69.,   5.,   4.],
         [  2.,  82.,  98.,  24.,  97.,  98.,   3.,   7.],
         [  1.,  98.,  37.,  32.,  53.,  29.,   5.,   4.]])

>>> group_by(AB, 0)
  array([[   1.,  341.,  201.,  200.,  174.,  228.,   20.,   16.],
         [   2.,  239.,  232.,  149.,  228.,  210.,   12.,   28.]])