将表转换为多行的 one-hot 编码

Question

我有一个如下格式的 SQL 表：

ID  Cat
1   A   
1   B
1   D
1   F
2   B
2   C
2   D
3   A
3   F

现在，我想创建一个表，每行有一个 ID，并且一行中有多个 Cat。我想要的输出如下所示：

ID  A  B  C  D  E  F
1   1  1  0  1  0  1
2   0  1  1  1  0  0
3   1  0  0  0  0  1

我找到了：

Transform table to one-hot-encoding of single column value

但是，我有 1000 多只猫，所以我正在寻找代码来自动编写，而不是手动编写。谁能帮我解决这个问题？

Answer 1

首先让我将您粘贴的数据转换为实际表格：

WITH data AS (
  SELECT REGEXP_EXTRACT(data2, '[0-9]') id, REGEXP_EXTRACT(data2, '[A-Z]') cat
  FROM (
    SELECT SPLIT("""1   A   
    1   B
    1   D
    1   F
    2   B
    2   C
    2   D
    3   A
    3   F""", '\n') AS data1
  ), UNNEST(data1) data2
)

SELECT * FROM data

（下次尝试共享一张桌子）

现在我们可以进行一些手动 1-hot 编码：

SELECT id 
 , MAX(IF(cat='A',1,0)) cat_A
 , MAX(IF(cat='B',1,0)) cat_B
 , MAX(IF(cat='C',1,0)) cat_C
FROM data
GROUP BY id

现在我们要编写一个脚本来自动创建我们想要的列：

SELECT STRING_AGG(FORMAT("MAX(IF(cat='%s',1,0))cat_%s", cat, cat), ', ') 
FROM (
  SELECT DISTINCT cat
  FROM data
  ORDER BY 1
)

生成一个字符串，您可以将其复制粘贴到查询中，1-hot 对您的数组/行进行编码：

SELECT id
,
MAX(IF(cat='A',1,0))cat_A, MAX(IF(cat='B',1,0))cat_B, MAX(IF(cat='C',1,0))cat_C, MAX(IF(cat='D',1,0))cat_D, MAX(IF(cat='F',1,0))cat_F
FROM data
GROUP BY id

这正是问题所要求的。您可以使用 SQL 生成 SQL，但您需要使用该结果编写新查询。

Answer 2

BigQuery 没有使用标准 SQL 的动态列，但根据您在下一步中要执行的操作，可能有一种方法可以使其变得更容易。

以下代码示例按 ID 对 Cat 进行分组，并使用 JavaScript 函数进行 one-hot 编码并返回 JSON 字符串。

CREATE TEMP FUNCTION trans(cats ARRAY<STRING>)
RETURNS STRING
LANGUAGE js
AS
"""
// TODO: Doing one hot encoding for one cat and return as JSON string
return "{a:1}";
"""
;
WITH id_cat AS (
SELECT 1 as ID, 'A' As Cat UNION ALL
SELECT 1 as ID, 'B' As Cat UNION ALL
SELECT 1 as ID, 'C' As Cat UNION ALL
SELECT 2 as ID, 'A' As Cat UNION ALL
SELECT 3 as ID, 'C' As Cat)
SELECT ID, trans(ARRAY_AGG(Cat))
FROM id_cat
GROUP BY ID;