案例中的滞后给出假阴性偏移

Question

TL;DR：向下滚动到任务 2。

我正在处理以下数据集：

email,createdby,createdon
a@b.c,jsmith,2016-10-10
a@b.c,nsmythe,2016-09-09
a@b.c,vstark,2016-11-11
b@x.y,ajohnson,2015-02-03
b@x.y,elear,2015-01-01
...

等等。保证每封电子邮件在数据集中至少有一个重复。

现在，有两个任务需要解决；我解决了其中一个问题，但正在努力解决另一个问题。为了完整起见，我现在将介绍这两个任务。

任务 1（已解决）： 对于每一行，对于每封电子邮件，返回一个附加列，其中包含使用此电子邮件创建第一条记录的用户的名称。

上述样本数据集的预期结果：

email,createdby,createdon,original_createdby
a@b.c,jsmith,2016-10-10,nsmythe
a@b.c,nsmythe,2016-09-09,nsmythe
a@b.c,vstark,2016-11-11,nsmythe
b@x.y,ajohnson,2015-02-03,elear
b@x.y,elear,2015-01-01,elear

获取上述内容的代码：

;WITH   q0 -- this is just a security measure in case there are unique emails in the data set
          AS ( SELECT   t.email
               FROM     t
               GROUP BY t.email
               HAVING   COUNT(*) > 1) ,
        q1
          AS ( SELECT   q0.email
                      , createdon
                      , createdby
                      , ROW_NUMBER() OVER ( PARTITION BY q0.email ORDER BY createdon ) rn
               FROM     t
               JOIN     q0
                        ON t.email = q0.email)
    SELECT  q1.email
          , q1.createdon
          , q1.createdby
          , LAG(q1.createdby, q1.rn - 1) OVER ( ORDER BY q1.email, q1.createdon ) original_createdby
    FROM    q1
    ORDER BY q1.email
          , q1.rn

简要说明：我通过电子邮件对数据集进行分区，然后按创建日期对每个分区中的行进行编号，最后从第 (rn-1) 条记录返回 [createdby] 值。完全按预期工作。

现在，与上面类似，有 TASK 2：

任务 2： 对于每一行，对于每封电子邮件，返回创建第一个副本的用户的名称。 IE。 rn=2 的用户名。

预期结果：

email,createdby,createdon,first_dupl_createdby
a@b.c,jsmith,2016-10-10,jsmith
a@b.c,nsmythe,2016-09-09,jsmith
a@b.c,vstark,2016-11-11,jsmith
b@x.y,ajohnson,2015-02-03,ajohnson
b@x.y,elear,2015-01-01,ajohnson

我想保持性能，因此尝试使用 LEAD-LAG 函数：

    WITH    q0
          AS ( SELECT   t.email
               FROM     t
               GROUP BY t.email
               HAVING   COUNT(*) > 1) ,
        q1
          AS ( SELECT   q0.email
                      , createdon
                      , createdby
                      , ROW_NUMBER() OVER ( PARTITION BY q0.email ORDER BY createdon ) rn
               FROM     t
               JOIN     q0
                        ON t.email = q0.email)
    SELECT  q1.email
          , q1.createdon
          , q1.createdby
          , q1.rn
          , CASE q1.rn
              WHEN 1 THEN LEAD(q1.createdby, 1) OVER ( ORDER BY q1.email, q1.createdon )
              ELSE LAG(q1.createdby, q1.rn - 2) OVER ( ORDER BY q1.email, q1.createdon )
            END AS first_dupl_createdby
    FROM    q1
    ORDER BY q1.email
          , q1.rn

解释：对于每个分区中的第一条记录，从后面的记录（即从包含第一个重复的记录）返回[createdby]。对于同一分区中的所有其他记录，从 (rn-2) 记录之前返回 [createdby]（即，对于 rn = 2，我们保持在同一记录上，对于 rn = 3，我们将返回 1 个记录，对于 rn = 4 - 2 条记录，依此类推）。

一个问题出现在

ELSE LAG(q1.createdby, q1.rn - 2)

操作。显然，与任何逻辑相反，尽管存在前一行（WHEN 1 THEN...），ELSE 块也被评估为 rn = 1，导致传递给 LAG 函数的负偏移值：

消息 8730，第 16 级，状态 2，第 37 行 Lag 和 Lead 函数的偏移参数不能为负值。

当我注释掉那条 ELSE 行时，整个工作正常，但显然我在 rn > 1 的 first_dupl_createdby 列中没有得到任何结果。

问题： 有没有办法重写上面的 CASE 语句（在任务 #2 中），以便它总是从每个分区中 rn = 2 的记录中返回值，但是 - 这是重要的一点 - 不进行自联接操作（我知道我可以在单独的子查询中准备 rn = 2 的行，但这意味着对整个表进行额外扫描，并且还会运行不必要的自联接）。

Answer 1

我认为您可以简单地使用 max 窗口函数，因为您尝试从 rownumber = 2 获取每个分区的值。

SELECT  q1.email
          , q1.createdon
          , q1.createdby
          , q1.rn
          , max(case when rn=2 then q1.createdby end) over(partition by q1.email) first_dup_created_by
FROM    q1
ORDER BY q1.email, q1.rn

对于第一种情况，您也可以使用类似的查询来获取 rownumber=1 的结果。

Answer 2

您可以使用row_number() 和条件聚合获取每封电子邮件的信息：

select email,
       max(case when seqnum = 1 then createdby end) as createdby_first,
       max(case when seqnum = 2 then createdby end) as createdby_second
from (select t.*,
             row_number() over (partition by email order by createdon) as seqnum
      from t
     ) t
group by email;

你可以通过join这个信息返回原始数据来获取你想要的信息。我看不出lag() 自然会被用来解决这个问题。

Answer 3

/耸耸肩

; WITH duplicate_email_addresses AS (
  SELECT email
  FROM   t
  GROUP
      BY email
  HAVING Count(*) > 1
)
, records_with_duplicate_email_addresses AS (
  SELECT email
       , createdon
       , createdby
       , Row_Number() OVER (PARTITION BY email ORDER BY createdon) AS sequencer
  FROM   t
  WHERE  EXISTS (
           SELECT *
           FROM   duplicate_email_addresses
           WHERE  email = t.email
         )
)
, second_duplicate_record AS ( -- Why do you need any more than this?
  SELECT email
       , createdon
       , createdby
  FROM   records_with_duplicate_email_addresses
  WHERE  sequencer = 2
)
SELECT records_with_duplicate_email_addresses.email
     , records_with_duplicate_email_addresses.createdon
     , records_with_duplicate_email_addresses.createdby
     , second_duplicate_record.createdby AS first_duplicate_createdby
FROM   records_with_duplicate_email_addresses
 INNER
  JOIN second_duplicate_record
    ON second_duplicate_record.email = records_with_duplicate_email_addresses.email
;