类别：

聚合函数 （相似度估算）、 窗口函数

MINHASH

返回 MinHash 状态，此状态包含一个大小为 k 的数组，该数组的构造方式为：向输入行应用 k 个不同哈希函数，并保留每个哈希函数的最小值。然后，可以将此 MinHash 状态输入到 APPROXIMATE_SIMILARITY 函数中，以估计与一个或多个其他 MinHash 状态的相似性。

有关 MinHash 状态的更多信息，请参阅 估计两个或多个集合的相似度。

另请参阅：

MINHASH_COMBINE

语法

MINHASH( <k> , [ DISTINCT ] expr+ )

MINHASH( <k> , * )
Copy

使用说明

  • k 指定要创建的哈希函数的数量。该值越大，近似值越准确；但是，此值对使用 APPROXIMATE_SIMILARITY 相似性估算的计算时间具有线性影响。建议值为 100。

    最大值为 1024。

  • DISTINCT 可以作为实参包含在内，但不起作用。

示例

USE SCHEMA snowflake_sample_data.tpch_sf1;

SELECT MINHASH(5, *) FROM orders;

+----------------------+
| MINHASH(5, *)        |
|----------------------|
| {                    |
|   "state": [         |
|     78678383574307,  |
|     586952033158539, |
|     525995912623966, |
|     508991839383217, |
|     492677003405678  |
|   ],                 |
|   "type": "minhash", |
|   "version": 1       |
| }                    |
+----------------------+
Copy

此处是更广泛的示例，显示了三个相关的函数 MINHASH、MINHASH_COMBINE 和 APPROXIMATE_SIMILARITY。此示例创建 3 个表（ta、tb 和 tc），其中两个表（ta 和 tb）相似，两个表（ta 和 tc）完全不同。

创建并使用以下值填充表：

CREATE TABLE ta (i INTEGER);
CREATE TABLE tb (i INTEGER);
CREATE TABLE tc (i INTEGER);

-- Insert values into the 3 tables.
INSERT INTO ta (i) VALUES (1), (2), (3), (4), (5), (6), (7), (8), (9), (10);
-- Almost the same as the preceding values.
INSERT INTO tb (i) VALUES (1), (2), (3), (4), (5), (6), (7), (8), (9), (11);
-- Different values and different number of values.
INSERT INTO tc (i) VALUES (-1), (-20), (-300), (-4000);
Copy

计算初始数据集的 minhash 信息：

CREATE TABLE minhash_a_1 (mh) AS SELECT MINHASH(100, i) FROM ta;
CREATE TABLE minhash_b (mh) AS SELECT MINHASH(100, i) FROM tb;
CREATE TABLE minhash_c (mh) AS SELECT MINHASH(100, i) FROM tc;
Copy

向其中一个表添加更多数据：

INSERT INTO ta (i) VALUES (12);
Copy

演示 MINHASH_COMBINE 函数：

-- Record minhash information about only the new rows:
CREATE TABLE minhash_a_2 (mh) AS SELECT MINHASH(100, i) FROM ta WHERE i > 10;

-- Now combine all the minhash info for the old and new rows in table ta.
CREATE TABLE minhash_a (mh) AS
  SELECT MINHASH_COMBINE(mh) FROM
    (
      (SELECT mh FROM minhash_a_1)
      UNION ALL
      (SELECT mh FROM minhash_a_2)
    );
Copy

此查询显示两个相似表（ta 和 tb）的近似相似度：

SELECT APPROXIMATE_SIMILARITY (mh) FROM
  (
    (SELECT mh FROM minhash_a)
    UNION ALL
    (SELECT mh FROM minhash_b)
  );
+-----------------------------+
| APPROXIMATE_SIMILARITY (MH) |
|-----------------------------|
|                        0.75 |
+-----------------------------+
Copy

此查询显示两个截然不同的表（ta 和 tc）的近似相似度：

SELECT APPROXIMATE_SIMILARITY (mh) FROM
  (
    (SELECT mh FROM minhash_a)
    UNION ALL
    (SELECT mh FROM minhash_c)
  );
+-----------------------------+
| APPROXIMATE_SIMILARITY (MH) |
|-----------------------------|
|                           0 |
+-----------------------------+
Copy
语言: 中文