BigQuery SQL：平均值、几何平均值、去除异常值、中值答案

【问题标题】：BigQuery SQL: Average, geometric mean, remove outliers, medianBigQuery SQL：平均值、几何平均值、去除异常值、中值
【发布时间】：2018-08-23 08:27:17
【问题描述】：

我正在计算在 Stack Overflow 上获得回复的平均时间，结果毫无意义。

#standardSQL

WITH question_answers AS (
  SELECT * 
    , timestamp_diff(answers.first, creation_date, minute) minutes
  FROM (
    SELECT creation_date
      , (SELECT AS STRUCT MIN(creation_date) first, COUNT(*) c
         FROM `bigquery-public-data.stackoverflow.posts_answers` b
         WHERE a.id=b.parent_id
        ) answers
      , SPLIT(tags, '|') tags
    FROM `bigquery-public-data.stackoverflow.posts_questions` a
    WHERE EXTRACT(year FROM creation_date) > 2015
  ), UNNEST(tags) tag
  WHERE tag IN ('java', 'javascript', 'google-bigquery', 'firebase', 'php')
  AND answers.c > 0
)

SELECT tag
  , COUNT(*) questions
  , ROUND(AVG(minutes), 2) first_reply_avg_minutes
FROM question_answers
GROUP BY tag

我应该如何计算平均时间？

【问题讨论】：

标签： sql google-bigquery

【解决方案1】：

2019 年更新：分享一些persisted public UDFs 怎么样？

第一个，中位数：

SELECT fhoffa.x.median([1,1,1,2,3,4,5,100,1000]) 

3.0

确实 - 在 Stack Overflow 上获得答案的平均时间超过 100 小时（>6000 分钟）似乎是错误的 - 并且很大程度上是由异常值驱动的。

而不是做一个简单的AVG() 你可以得到：

几何平均数：EXP(AVG(LOG(GREATEST(minutes,1))))
去除异常值后的均值：AVG(q) FROM (SELECT q FROM QUANTILES(q, 100) LIMIT 80 OFFSET 2))。
中位数：all_minutes[OFFSET(CAST(ARRAY_LENGTH(all_minutes)/2 AS INT64))]

如果您使用这些替代方案，结果会更有意义：

正如您在此处看到的那样，在这种情况下，去除异常值会得到类似于几何平均值的结果 - 而中位数报告的数字甚至更低。使用哪一个？您的选择。

WITH question_answers AS (
  SELECT * 
    , timestamp_diff(answers.first, creation_date, minute) minutes
  FROM (
    SELECT creation_date
      , (SELECT AS STRUCT MIN(creation_date) first, COUNT(*) c
         FROM `bigquery-public-data.stackoverflow.posts_answers` b
         WHERE a.id=b.parent_id
        ) answers
      , SPLIT(tags, '|') tags
    FROM `bigquery-public-data.stackoverflow.posts_questions` a
    WHERE EXTRACT(year FROM creation_date) > 2015
  ), UNNEST(tags) tag
  WHERE tag IN ('java', 'javascript', 'google-bigquery', 'firebase', 'php', 'sql', 'elasticsearch', 'apache-kafka', 'tensorflow')
  AND answers.c > 0
)

SELECT *  EXCEPT(qs, all_minutes)
  , (SELECT ROUND(AVG(q),2) FROM (SELECT q FROM UNNEST(qs) q ORDER BY q LIMIT 80 OFFSET 2)) avg_no_outliers 
  , all_minutes[OFFSET(CAST(ARRAY_LENGTH(all_minutes)/2 AS INT64)  )] median_minutes
FROM (
  SELECT tag
    , COUNT(*) questions
    , ROUND(AVG(minutes), 2) avg_minutes
    , ROUND(EXP(AVG(LOG(GREATEST(minutes,1)))),2) first_reply_avg_minutes_geom
    , APPROX_QUANTILES(minutes, 100) qs
    , ARRAY_AGG(minutes IGNORE NULLS ORDER BY minutes) all_minutes
  FROM question_answers
  GROUP BY tag
)

ORDER BY 2 DESC

奖金MEDIAN()UDF function from Elliott。

CREATE TEMP FUNCTION MEDIAN(arr ANY TYPE) AS ((
  SELECT
    IF(
      MOD(ARRAY_LENGTH(arr), 2) = 0,
      (arr[OFFSET(DIV(ARRAY_LENGTH(arr), 2) - 1)] + arr[OFFSET(DIV(ARRAY_LENGTH(arr), 2))]) / 2,
      arr[OFFSET(DIV(ARRAY_LENGTH(arr), 2))]
    )
  FROM (SELECT ARRAY_AGG(x ORDER BY x) AS arr FROM UNNEST(arr) AS x)
));

【讨论】：

您使用的中位数是离散的，不是插值/连续的，因此可能低于真正的中位数但可能不显着，可能在标准 SQL 中使用PERCENTILE_CONT(x, 0.5) OVER() AS median 更好，请参阅cloud.google.com/bigquery/docs/reference/standard-sql/…跨度>
您排除异常值的方式假设是右偏分布；给定响应时间的公平假设类似于延迟建模/持续时间分析。它可能类似于广义 gamma 分布，但在考虑使用哪种集中趋势度量之前，值得将这些百分位数分箱并绘制图表以大致了解分布的样子。使用集中趋势（如中位数）和规模（如 MAD 而不是 StdDev）的稳健测量已经减少了异常值的影响。将异常值修剪到百分位数 3-83 会去除很多尾巴！
请您解释一下为什么您选择在 3-83 之间修剪分位数，这不会影响结果以获得受分位数最低值影响的平均值吗？为什么不使用除第一个和最后一个分位数之外的全部范围？其中仅包括极值...