bitmap在计算维度/指标的用户留存、漏斗模型中的应用总结

本文介绍了一种利用MutableRoamingBitmap进行大数据查询优化的方法。通过MapReduce程序将数据转化为bitmap结构,实现对dm层数仓表中uuid和event_id指标的高效查询。此方法能够快速查询指定维度或指标下所有uuid,并通过bitmap操作计算留存率和漏斗转化率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

具体场景:dm层数仓表,一共22个维度列,指标列选定为event_id(事件圈选id),uuid列为用户id列

采用MutableRoaringBitmap,分两部分:

第一部分是bitmap的rowkey,第二部分是bitmap的具体value


具体逻辑是,通过MapReduce程序,

对于dm层数仓表的每一行数据,输出Text Key,Text Value

key=projId值_type_dimId_uuidType_granularity_dt值,这里面在当天dt、当前项目idproj_d下,只有维度值dimId不同。

value=表中所有uuid(转换成UTF-8编码的字节数组格式)

ps:dimId是代表维度的id值,例如country=0,prov=1...

 

(1)对于维度bitmap

对于dm层数仓表的每一行数据,走完map方法后,输出22个(当前维度对应的rowkey,当前uuid存入bitmap);

这样全表扫描完毕后,生成22个(当前维度对应的rowkey,全表uuid存入bitmap)

 

(2)对于指标event_id,以同样的逻辑,生成(当前eventId值对应的rowkey,当前eventId值对应的全表所有uuid)


这样,最终可以通过维度字段对应的rowkey来查询当天所有出现过的uuid,也可以通过指定值的指标event_id来查询其对应的,当天的所有uuid。

然后,用bitmap的and和or方法,来求交集和并集;

通过求天与天、天与周、天与月之间的bitmap rowkey'查询出来的bitmap value值(即存放uuid的bitmap),通过求bitmap交集,来计算留存和漏斗。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值