正文结束
其他
【数据蒋堂】第26期：再谈有序分组
细心的读者可能会发现，我们在讨论有序分组时只研究了待分组集合的成员次序对分组运算可能的影响，但即然要考虑集合的有序性，那么结果集的成员次序是不是也有业务意义呢？
确实有意义，不过重要程度不如原集有序性。
分组结果集的有序性有两个方面，一是这些分组子集以什么次序返回，二是分组子集的成员是什么次序构成的。
在考虑有序集合的等值分组运算时，我们认为在缺省状态下分组子集保持原序最为合理，即每个分组子集成员第一次在原集中出现的次序。这个原因在于：其它次序（比如按分组字段值）可以针对结果集再排序而获得，而原序很可能在分组完成后就丢失了，或者至少再获得会比较困难。
比如我们要统计一本教科书中单词的重复次数，这是个简单的等值分组运算，缺省的结果集应当是以新单词在书中出现的先后次序为序的，这个次序是有业务意义的，向学生讲授这本书时可以按该次序让学生预习生词。而这个次序如果不是在分组运算后返回，就会很难获得了。需要给每个单词人为增加一个在书中出现的次序号，分组时同时把次序号的最小值也统计出来，然后再按这个值排序，最后又丢弃这个值。运算过程繁琐且效率低。
对位分组和枚举分组的结果集次序，显然应当与基准集合一致。而有序分组的结果集次序，则显然按每个分组产生的次序最为合理。
基于无序集合的SQL没有约定分组结果集的次序，返回结果集就不能保证原序了。在实践上，数据库一般是采用HASH方法来实现分组的，这时结果集的次序常常是HASH值的次序，而HASH值次序毫无业务意义，在关心次序时就还需要再排序，而为了获得排序依据就要象前面例子中说的那样在原集中新增序号信息，并参与到分组运算中，麻烦且低效。还有的数据库是用排序来做分组，结果集的次序就是分组字段（表达式）的次序，这个次序有一定业务意义了，但想还原出原序也不容易。
我们前面说过，SQL中用LEFT JOIN的方法可以实现出对位和枚举分组的效果，但无论是HASH方法还是排序方法，结果集都会丧失基准集合的次序。而对位和枚举分组的结果集次序又是非常必要的，想通过再排序来获得这个次序，需要在基准集合中就要维护个次序号，这会使得本来简单的单值成员集合变成多字段的记录集合，而且当基准集合需要插入/删除成员时还要继续维护序号会是个很麻烦的事情，被改动成员后面的成员序号都要调整。所以SQL实现对位和枚举分组是个很繁琐的事情。
至于子集成员的次序，原则上也应当缺省保持原序，也就是在原集合中的次序。不过，它是否有意义取决于后续要执行的动作。
比如SQL就完全不关心这个次序，SQL在分组后会强制聚合，而且只有SUMM/COUNT这些运算结果与执行次序无关的常规聚合运算，分组子集的成员次序就没有意义了。
但有些非常规聚合运算可能和执行次序有关，比如用登录日志（日志缺省都是按事件发生时刻有序的）列出每个用户的最后两次登录的时间间隔，就是按用户分组后取出分组子集的最后两条记录计算时间差，这时就会关心子集成员的次序了。不过，这已经是聚合运算的范畴了，我们将在后面的文章中再详细讨论。
近期文章
《数据蒋堂》的作者蒋步星，从事信息系统建设和数据处理长达20多年的时间。他丰富的工程经验与深厚的理论功底相互融合、创新思想与传统观念的相互碰撞，虚拟与现实的相互交织，产生出了一篇篇的沥血之作。此连载的内容涉及从数据呈现、采集到加工计算再到存储以及挖掘等各个方面。大可观数据世界之远景、小可看技术疑难之细节。针对数据领域一些技术难点，站在研发人员的角度从浅入深，进行全方位、360度无死角深度剖析；对于一些业内观点，站在技术人员角度阐述自己的思考和理解。蒋步星还会对大数据的发展，站在业内专家角度给予预测和推断。静下心来认真研读你会发现，《数据蒋堂》的文章，有的会让用户避免重复前人走过的弯路，有的会让攻城狮面对扎心的难题茅塞顿开，有的会为初入行业的读者提供一把开启数据世界的钥匙，有的甚至会让业内专家大跌眼镜，产生思想交锋。
蒋步星，清华大学计算机硕士，著有《非线性报表模型原理》等
1989年中国国际奥林匹克数学竞赛团体冠军成员，个人金牌。
2000年创立润乾公司，首次在润乾报表中提出非线性报表模型，完美解决了中国式复杂报表制表难题，目前该模型已经成为报表行业的标准。
2008年开始研发不依赖关系型数据的计算引擎，历经多个版本后，于2014年集算器正式发布。有效地提高了复杂结构化大数据计算的开发速度和运算效率。
2016年荣获中国电子信息产业发展研究院评选的“2016年中国软件和信息服务业 • 十大领军人物”。
2017年创办数据领域技术讲堂《数据蒋堂》，专注数据、每周一期。
2017年获得中国大数据产业生态大会评选的“2017年度中国数据大工匠”