在外存中实现分组的代码示例

   在数据分析中，我们经常需要将数据分组，然后计算出各组的汇总值，或者在各组中分别计算。集算器中，可以用groups函数计算数据的分组汇总结果，更可以用group函数将表中记录分成多组，以便后续计算。但是，如果需要排序的数据量巨大，情况就不同了，这时是不能一次将它们读入内存的，这样普通的分组汇总，或者分组的方法就无法执行了，此时就可能需要使用外存分组。

  下面，先来准备一个大数据表，简单模拟1,000,000条手机用户的通话时长记录，存储在二进制文件PhoneBill中：

 

   其中，电话号码使用8位整数，前4位固定为1234，后4位随机生成。通话开始时间在2014年8月中随机产生。通话时长为整数，也随机生成，产生时使通话时长有90%的可能性为1分钟，最长20分钟。数据文件完成后，在B11中读出前1000条如下：

 

  现在，需要根据PhoneBill中的数据计算：

  ① 8月中每天所有用户的总通话时长以及每次通话的平均时长。

  ② 每位用户在8月的通话时长。

  ③ 分别将每天的通话记录存储到文件中。

  ④ 8月的每一天中，通话总时长最多的5位用户号码。

  先来看问题①，这首先需要将所有的订单数据按日期来分组汇总。因为8月一共只有31天，所以结果集并不是大数据，可以直接在内存中汇总计算：

 

   A2用A1中的二进制文本数据生成游标。A3计算游标中数据的分组汇总结果如下：

 

   因为结果本身的数据量并不大，计算分组汇总时，其实只需要将游标中的数据遍历一次，并不需要外存分组，直接用groups函数就能计算。这里的结果集并不庞大，可以直接获得结果，并不需要使用游标。计算每天中，每次通话的平均时间，需要先统计出每天的通话总时间及总次数，再进一步计算出平均通话时间，A4中获得的结果如下：

 

   问题②中的情况就不同了，由于用户量要比8月的天数多得多，这时就需要考虑分组汇总的结果是不是能一次返回到内存中。在这里，最多只有10,000个用户，并不算太多，只是以此来说明大数据结果集的计算情况。计算时，假设内存中只能容纳1000条记录：

 

   在计算大数据分组汇总结果时，需要用groupx函数，利用外存，根据设定的缓冲区行数来将游标内的数据逐步读出分组。A3中，计算游标中数据，按Phone分组；汇总计算总通话时长的结果，同时设定缓冲区行数为1000。大数据分组汇总的结果是游标，读取数据的方法和普通的游标完全相同。A3中的结果如下：

 

   在A4中读出了前1000名用户的总通话时长结果：

 

   另外，游标中的数据如果没有全部读完，需要调用cs.close()函数，以及时清理外存临时文件。

   问题③需要先将数据按照日期分组，再将每天的数据存储到文件中：

 

   使用groupn函数的大数据分组和普通的分组不同，需要在分组表达式中直接指定组号，在A3中，用订单日期的“日”作为组号。A3的函数中计算的结果与前面的分组汇总不同，返回的是游标序列，每个分组对应1个游标：

 

   在第4、5行的代码中，将每天的游标数据分别存到文件中。在A6中，选择了其中4日的数据，在A7中读出了前1000条记录如下：

 

   问题④仍然将数据按照日期分组，再在每个分组中执行分组汇总，最后根据汇总结果选出所需的用户号码：

 

   A3中，仍然在分组表达式中直接指定“日”作为组号，分组时返回的仍然是游标的序列：

 

   第4行到第6行的代码循环每个分组的游标数据，分别汇总每个用户每天的总通话时间，并根据汇总结果再次汇总出通话时间排在前5名的用户信息。需要注意的是，用汇总函数topx计算降序排序时，在排序表达式前加负号即可，如B5中的-TotalDuration。在结果中，选出通话时间最长的5个号码数据，并存入B3的序表中。循环完毕后，可以从B3中读出最终的结果如下：

 

   除了将总的话费数据分组，也可以继续使用问题③中生成的文件数据来处理这个问题。