PostgreSQL: interpola il valore mancante

Aug 19 2020

Ho una tabella in PostgreSQL con un timestamp e un valore.
Vorrei interpolare i valori mancanti in "lat".

Il valore sotto "lat" sono le altezze di marea sopra un dato. Allo scopo va bene interpolare il valore mancante lineare tra i due valori noti.

Qual è il metodo migliore per farlo in PostgreSQL?

Modifica 20200825

Ho risolto questo problema in un modo diverso utilizzando il calcolatore di campo QGIS. Problema con questo metodo: richiede molto tempo e il processo viene eseguito sul lato client e vorrei eseguirlo direttamente sul server.

Nei passaggi, il mio flusso di lavoro era:

  1. L'intervallo tra i valori "lat" registrati è di 10 minuti. Ho calcolato l'incremento al minuto tra due valori registrati e l'ho memorizzato in una colonna aggiuntiva chiamata "tidal_step" al valore "lat" registrato. (ho memorizzato il timestamp anche come "epoca" in una colonna)

In QGIS:

tidal_step =
-- the lat value @ the epoch, 10 minutes or 600000 miliseconds from the current epoch: 
(attribute(get_feature('werkset','epoch',("epoch"+'600000')),'lat') -
-- the lat value @ the current
attribute(get_feature('werkset','epoch',"epoch"),'lat'))
/10

per i primi due valori dall'immagine di esempio che risulta in: (4.95 - 5.07) / 10 = -0.012

  1. Ho determinato la quantità di minuti del valore "lat" da interpolare, dopo l'ultima istanza registrata in cui è stato registrato un valore "lat" e l'ho memorizzato in una colonna: "min_past_rec"

In QGIS:

left(
right("timestamp",8) --this takes the timestamp and goes 8 charakters from the right
,1) -- this takes the string from the previous right( and goes 1 character left

per il primo valore nell'esempio: 2019-01-01 00:15:15 restituisce: '5' Questo è 5 minuti dopo l'ultimo valore registrato.

  1. Ho interpolato i valori mancanti aggiungendo ("min_past_rec" * "tidal_step") all'ultimo valore "lat" registrato e l'ho memorizzato nella colonna "lat_interpolated"

In QGIS

CASE
WHEN "lat" = NULL 
THEN
-- minutes pas the last recorded instance:
("min_past_rec" *
-- the "tidal_step" at the last recorded "lat"-value:
(attribute(get_feature('werkset','epoch',
("epoch" - --the epoch of the "lat" value to be interpolated minus:

left(right("timestamp",8),1) * 600000 -- = the amount of minutes after the last recorded instance.
+ left(right("timestamp",6),2) * 1000) --  and the amount of seconds after the last recorded instance.
),'tidal_step')) +

-- the last recorded "lat"-value

(attribute(get_feature('werkset','epoch',("epoch" - left(right("timestamp",8),1) * 600000 + left(right("timestamp",6),2) * 1000)),'lat'))

Con i dati dell'esempio:

01-01-2019 00:17:33:

"lat_interpolated" = "min_past_rec" * "tidal_step" + "lat" = 
7*-0.012 + 4.95 = 4.866
  1. eliminare le colonne obsolete dal database

Quali istruzioni / script dovrei usare in PostgreSQL per eseguire la stessa operazione?

Risposte

1 Vérace Aug 19 2020 at 09:58

Ho una soluzione (parziale) - quello che ho fatto è stato il seguente (vedi il violino disponibile qui ):

L'algoritmo che ho usato per l'interpolazione era

  • se c'è una sequenza di 1 NULL, prendi la media del valore sopra e il valore sotto.

  • Una sequenza di 2 NULLs, il valore assegnato in alto è la media dei due record sopra di esso e quello assegnato in basso è la media dei due record sotto.

Per fare ciò, ho fatto quanto segue:

Crea una tabella:

CREATE TABLE data 
(
  s SERIAL PRIMARY KEY, 
  t TIMESTAMP, 
  lat NUMERIC
);

Popolarlo con alcuni dati di esempio:

INSERT INTO data (t, lat)
VALUES
('2019-01-01 00:00:00', 5.07),
('2019-01-01 01:00:00', 4.60),
('2019-01-01 02:00:00', NULL),
('2019-01-01 03:00:00', NULL),
('2019-01-01 04:00:00', 4.7),
('2019-01-01 05:00:00', 4.20),
('2019-01-01 06:00:00', NULL),
('2019-01-01 07:00:00', 4.98),
('2019-01-01 08:00:00', 4.50);

Nota che i record 3 e 4 e 7 sono NULL.

E poi ho eseguito la mia prima query:

WITH cte1 AS
(
  SELECT d1.s,
    d1.t AS t1, d1.lat AS l1,
    LAG(d1.lat, 2)  OVER (ORDER BY t ASC) AS lag_t1_2,
    LAG(d1.lat, 1)  OVER (ORDER BY t ASC) AS lag_t1,
    LEAD(d1.lat, 1) OVER (ORDER BY t ASC) AS lead_t1,
    LEAD(d1.lat, 2) OVER (ORDER BY t ASC) AS lead_t1_2
  FROM data d1
),
cte2 AS
(
  SELECT 
    d2.t AS t2, d2.lat AS l2, 
    LAG(d2.lat, 1) OVER(ORDER BY t DESC) AS lag_t2,
    LEAD(d2.lat, 1) OVER(ORDER BY t DESC) AS lead_t2
  FROM data d2
),
cte3 AS
(
  SELECT t1.s,
    t1.t1,  t1.lag_t1_2, t1.lag_t1, t2.lag_t2, t1.l1, t2.l2, 
    t1.lead_t1, t2.lead_t2, t1.lead_t1_2
  FROM cte1 t1
  JOIN cte2 t2
  ON t1.t1 = t2.t2
)
SELECT * FROM cte3;

Risultato (significa spazi NULL- è molto più chiaro sul violino):

s   t1  lag_t1_2    lag_t1  lag_t2  l1  l2  lead_t1     lead_t2     lead_t1_2
1   2019-01-01 00:00:00             4.60    5.07    5.07    4.60        
2   2019-01-01 01:00:00         5.07        4.60    4.60        5.07    
3   2019-01-01 02:00:00     5.07    4.60                    4.60    4.7
4   2019-01-01 03:00:00     4.60        4.7             4.7         4.20
5   2019-01-01 04:00:00             4.20    4.7     4.7     4.20        
6   2019-01-01 05:00:00         4.7         4.20    4.20        4.7     4.98
7   2019-01-01 06:00:00     4.7     4.20    4.98            4.98    4.20    4.50
8   2019-01-01 07:00:00     4.20        4.50    4.98    4.98    4.50        
9   2019-01-01 08:00:00         4.98        4.50    4.50        4.98 

Notare l'uso delle funzioni LAG()e LEAD()Window ( documentation). Li ho usati sullo stesso tavolo, ma ordinati in modo diverso.

Questo e l'utilizzo OFFSETdell'opzione significa che dalla mia singola latcolonna originale , ora ho 6 colonne extra di dati "generati" che sono molto utili per assegnare valori ai NULLvalori mancanti . L'ultimo (parziale) pezzo del puzzle è mostrato di seguito (la query SQL completa è in fondo a questo post e anche nel violino).

cte4 AS
(
  SELECT t1.s,
  t1.l1 AS lat,
    CASE 
      WHEN (t1.l1 IS NOT NULL) THEN t1.l1
      WHEN (t1.l1 IS NULL) AND (t1.l2) IS NULL AND (t1.lag_t1 IS NOT NULL)
        AND (t1.lag_t2 IS NOT NULL) THEN ROUND((t1.lag_t1 + t1.lag_t2)/2, 2) 
      WHEN (t1.lag_t2 IS NULL) AND (t1.l1 IS NULL) AND (t1.l2 IS NULL) 
        AND (t1.lead_t1 IS NULL) THEN ROUND((t1.lag_t1 + t1.lag_t1_2)/2, 2)
      WHEN (t1.l1 IS NULL) AND (t1.l2 IS NULL)  AND (t1.lag_t1 IS NULL)
        AND (t1.lead_t2 IS NULL) THEN ROUND((t1.lead_t1 + t1.lead_t1_2)/2, 2)
      ELSE 0
    END AS final_val
  FROM cte3 t1
)
SELECT s, lat, final_val FROM cte4;

Risultato finale:

s    lat    final_val
1   5.07         5.07
2   4.60         4.60
3   NULL         4.84
4   NULL         4.45
5   4.7           4.7
6   4.20         4.20
7   NULL         4.59
8   4.98         4.98
9   4.50         4.50

Quindi, puoi vedere che il valore calcolato per il record 7 è la media dei record 6 e 8 e il record 3 è la media dei record 1 e 2 e il valore assegnato per il record 4 è la media di 5 e 6. Ciò è stato abilitato da l'uso OFFSETdell'opzione per le funzioni LAG()e LEAD(). Se ottieni sequenze di 3 NULLs, dovrai usare una OFFSETdi 3 e così via.

Non sono molto soddisfatto di questa soluzione: implica l'hard-coding del numero di se NULLquelle CASEdichiarazioni diventeranno ancora più complesse e orribili. Idealmente RECURSIVE CTEè necessaria una sorta di soluzione, ma io HTH!

=============================== Query completa ================= =======

WITH cte1 AS
(
  SELECT d1.s,
    d1.t AS t1, d1.lat AS l1,
    LAG(d1.lat, 2)  OVER (ORDER BY t ASC) AS lag_t1_2,
    LAG(d1.lat, 1)  OVER (ORDER BY t ASC) AS lag_t1,
    LEAD(d1.lat, 1) OVER (ORDER BY t ASC) AS lead_t1,
    LEAD(d1.lat, 2) OVER (ORDER BY t ASC) AS lead_t1_2
  FROM data d1
),
cte2 AS
(
  SELECT 
    d2.t AS t2, d2.lat AS l2, 
    LAG(d2.lat, 1) OVER(ORDER BY t DESC) AS lag_t2,
    LEAD(d2.lat, 1) OVER(ORDER BY t DESC) AS lead_t2
  FROM data d2
),
cte3 AS
(
  SELECT t1.s,
    t1.t1,  t1.lag_t1_2, t1.lag_t1, t2.lag_t2, t1.l1, t2.l2, 
    t1.lead_t1, t2.lead_t2, t1.lead_t1_2
  FROM cte1 t1
  JOIN cte2 t2
  ON t1.t1 = t2.t2
),
cte4 AS
(
  SELECT t1.s,
  t1.l1 AS lat,
    CASE 
      WHEN (t1.l1 IS NOT NULL) THEN t1.l1
      WHEN (t1.l1 IS NULL) AND (t1.l2) IS NULL AND (t1.lag_t1 IS NOT NULL)
        AND (t1.lag_t2 IS NOT NULL) THEN ROUND((t1.lag_t1 + t1.lag_t2)/2, 2) 
      WHEN (t1.lag_t2 IS NULL) AND (t1.l1 IS NULL) AND (t1.l2 IS NULL) 
        AND (t1.lead_t1 IS NULL) THEN ROUND((t1.lag_t1 + t1.lag_t1_2)/2, 2)
      WHEN (t1.l1 IS NULL) AND (t1.l2 IS NULL)  AND (t1.lag_t1 IS NULL)
        AND (t1.lead_t2 IS NULL) THEN ROUND((t1.lead_t1 + t1.lead_t1_2)/2, 2)
      ELSE 0
    END AS final_val,
    t1.lead_t1_2
  FROM cte3 t1
)
SELECT s, lat, final_val, lead_t1_2 FROM cte4;