sql >> Base de Datos >  >> RDS >> PostgreSQL

Postgresql k-vecino más cercano (KNN) en cubo multidimensional

PostgreSQL admite el operador de distancia <-> y según tengo entendido, esto se puede usar para analizar texto (con el módulo pg_trgrm) y geometría tipo de datos.

No sé cómo puedes usarlo con más de 1 dimensión. Tal vez tendrá que definir su propia función de distancia o convertir de alguna manera sus datos en una columna con texto o tipo de geometría. Por ejemplo, si tiene una tabla con 8 columnas (cubo de 8 dimensiones):

c1 c2 c3 c4 c5 c6 c7 c8
 1  0  1  0  1  0  1  2

Puedes convertirlo a:

c1 c2 c3 c4 c5 c6 c7 c8
 a  b  a  b  a  b  a  c

Y luego a la tabla con una columna:

c1
abababac

Luego puede usar (después de crear gist índice ):

SELECT c1, c1 <-> 'ababab'
 FROM test_trgm 
 ORDER BY c1 <-> 'ababab';

Ejemplo

Crear datos de muestra

-- Create some temporary data
-- ! Note that table are created in tmp schema (change sql to your scheme) and deleted if exists !
drop table if exists tmp.test_data;

-- Random integer matrix 100*8 
create table tmp.test_data as (
   select 
      trunc(random()*100)::int as input_variable_1,
      trunc(random()*100)::int as input_variable_2, 
      trunc(random()*100)::int as input_variable_3,
      trunc(random()*100)::int as input_variable_4, 
      trunc(random()*100)::int as input_variable_5, 
      trunc(random()*100)::int as input_variable_6, 
      trunc(random()*100)::int as input_variable_7, 
      trunc(random()*100)::int as input_variable_8
   from 
      generate_series(1,100,1)
);

Transformar datos de entrada en texto

drop table if exists tmp.test_data_trans;

create table tmp.test_data_trans as (
select 
   input_variable_1 || ';' ||
   input_variable_2 || ';' ||
   input_variable_3 || ';' ||
   input_variable_4 || ';' ||
   input_variable_5 || ';' ||
   input_variable_6 || ';' ||
   input_variable_7 || ';' ||
   input_variable_8 as trans_variable
from 
   tmp.test_data
);

Esto le dará una variable trans_variable donde se almacenan las 8 dimensiones:

trans_variable
40;88;68;29;19;54;40;90
80;49;56;57;42;36;50;68
29;13;63;33;0;18;52;77
44;68;18;81;28;24;20;89
80;62;20;49;4;87;54;18
35;37;32;25;8;13;42;54
8;58;3;42;37;1;41;49
70;1;28;18;47;78;8;17

En lugar de || operador también puede usar la siguiente sintaxis (más corta, pero más críptica):

select 
   array_to_string(string_to_array(t.*::text,''),'') as trans_variable
from 
   tmp.test_data t

Añadir índice

create index test_data_gist_index on tmp.test_data_trans using gist(trans_variable);

Distancia de prueba Nota:he seleccionado una fila de la tabla - 52;42;18;50;68;29;8;55 - y usó un valor ligeramente modificado (42;42;18;52;98;29;8;55 ) para probar la distancia. Por supuesto, tendrá valores completamente diferentes en sus datos de prueba, porque es una matriz ALEATORIA.

select 
   *, 
   trans_variable <->  '42;42;18;52;98;29;8;55' as distance,
   similarity(trans_variable, '42;42;18;52;98;29;8;55') as similarity,
from 
   tmp.test_data_trans 
order by
   trans_variable <-> '52;42;18;50;68;29;8;55';

Puede usar el operador de distancia <-> o la función de similitud. Distancia =1 - Similitud