函数名称：approx_top_k

approx_top_k(col, k, [maxItemsTracked])

功能描述

该函数用于从指定列（

col

）中提取出现频率最高的前

k

个项目值，并返回它们的近似计数。这是一个基于概率的数据结构实现，因此结果可能会有一定的误差，但在大多数情况下，它能有效地反映数据的分布情况。

参数说明

• col

  col
  : 输入列，可以是数值类型、字符串类型或嵌套类型。

• k

  k
  : 需要返回的前

  k

  k
  个最常出现项的数目，需为大于 0 的整数值。

• maxItemsTracked

  maxItemsTracked
  : 可选参数，用于指定跟踪的最大项目数。默认值为 10000。如果指定的

  maxItemsTracked

  maxItemsTracked
  大于或等于

  k

  k
  ，则使用指定值；否则，将使用

  k

  k
  作为跟踪的最大项目数。

返回结果

函数返回一个结构化数组，每个元素为一个结构体，包含三个字段：

item

（原始输入类型的值）、

count

（长整型，表示该项出现的近似次数）和

approximation

（布尔值，表示结果是否为近似值，始终为

true

）。数组按照

count

字段降序排列。

使用示例

以下示例展示了如何使用

approx_top_k

函数来获取数据中最常见的项目及其出现次数。

示例 1：

SELECT approx_top_k(col, 1) FROM VALUES (7), (7), (6), (9), (8), (7) AS tab(col); +-------------------------+ | approx_top_k(col, 1) | +-------------------------+ | [{"value":7,"count":3}] | +-------------------------+

示例 2：

SELECT approx_top_k(col, 2, 100) FROM VALUES (7), (6), (6), (7), (9), (8), (7) AS tab(col); +-----------------------------------------------+ | approx_top_k(col, 2, 100) | +-----------------------------------------------+ | [{"value":7,"count":3},{"value":6,"count":2}] | +-----------------------------------------------+

示例 3：

SELECT approx_top_k(col, 3) FROM VALUES ('apple'), ('banana'), ('apple'), ('orange'), ('banana'), ('apple') AS tab(col); +-----------------------------------------------------------------------------------------+ | approx_top_k(col, 3) | +-----------------------------------------------------------------------------------------+ | [{"value":"apple","count":3},{"value":"banana","count":2},{"value":"orange","count":1}] | +-----------------------------------------------------------------------------------------+

注意：

• 由于

  approx_top_k

  approx_top_k
  函数是基于概率的，因此返回的结果可能会有一定的误差。在实际应用中，可以通过调整

  maxItemsTracked

  maxItemsTracked
  参数来平衡精度和性能。
• 当处理大量数据时，为了提高性能，可以适当降低

  maxItemsTracked

  maxItemsTracked
  的值。但请注意，这可能会影响结果的准确性。