Postgresql k-närmaste granne (KNN) på flerdimensionell kub

PostgreSQL stöder distansoperatör <-> och som jag förstår det kan detta användas för att analysera text (med pg_trgrm-modul) och geometri datatyp.

Jag vet inte hur du kan använda den med mer än 1 dimension. Kanske måste du definiera din egen avståndsfunktion eller på något sätt konvertera dina data till en kolumn med text eller geometrityp. Till exempel om du har en tabell med 8 kolumner (8-dimensionell kub):

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

Du kan konvertera den till:

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

Och sedan till tabell med en kolumn:

c1
abababac

Sedan kan du använda (efter att ha skapat gist index ):

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

Exempel

Skapa exempeldata

-- 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)
);

Förvandla indata till text

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
);

Detta ger dig en variabel trans_variable där alla 8 dimensioner lagras:

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

Istället för || operatör kan du också använda följande syntax (kortare, men mer kryptisk):

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

Lägg till index

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

Testavstånd Obs:Jag har valt en rad från tabellen - 52;42;18;50;68;29;8;55 - och använde något ändrat värde (42;42;18;52;98;29;8;55 ) för att testa avståndet. Naturligtvis kommer du att ha helt andra värden i dina testdata, eftersom det är RANDOM-matris.

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';

Du kan använda distansoperatör <-> eller likhetsfunktion. Avstånd =1 - Likhet