计算不同的共现

Question

我有一个包含文档列表和其中单词的数据库。每行代表一个术语。我要做的是计算一个单词出现在多少个文档中。

所以，给定以下内容：

+  doc  +  word  +
+-------+--------+
+   a   +  foo   +
+-------+--------+
+   a   +  foo   +
+-------+--------+
+   a   +  bar   +
+-------+--------+
+   b   +  bar   +
+-------+--------+

我会得到一个结果

+  word  +  count  +
+--------+---------+
+  foo   +    1    +
+--------+---------+
+  bar   +    2    +
+--------+---------+

因为 foo 只出现在一个文档中（即使它在该文档中出现两次）而 bar 出现在两个文档中。

基本上，我应该做的是（认为）以下查询吐出的单词的 COUNT 个，

SELECT DISTINCT word, doc FROM table

..但我无法完全弄清楚。有什么提示吗？

Answer 1

您实际上可以在count 中使用distinct，例如：

select  word
,       count(distinct doc)
from    YourTable
group by
        word

Answer 2

这可能是一个旁白，但我猜这不是最好的方法。为什么要跟踪每个文档中的每个单词？看看甲骨文中间体。它是为这类事情（特别是文本搜索）而构建的。