我正在尝试在我的twitter数据中找到前10位提及(@xxxxx)。我创建了初始表twitter.full_text_ts并将其加载到我的数据中。查找数据中出现的前10位
create table twitter.full_text_ts as
select id, cast(concat(substr(ts,1,10), ' ', substr(ts,12,8)) as timestamp) as ts, lat, lon, tweet
from full_text;
香港专业教育学院已经能够使用该查询(模式)
select id, ts, regexp_extract(lower(tweet), '(.*)@user_(\\S{8})([:| ])(.*)',2) as patterns
from twitter.full_text_ts
order by patterns desc
limit 50;
执行该提取提到在微博给了我
USER_a3ed4b5a 2010-03-07 03:46:23 fffed220
USER_dc8cfa6f 2010-03-05 18:28:39 fffdabf9
USER_dc8cfa6f 2010-03-05 18:32:55 fffdabf9
USER_915e3f8c 2010-03-07 03:39:09 fffdabf9
and so on...
你可以看到fffed220等是提取模式。
现在我想要做的是计数每个这些提及(模式)发生的次数并输出前10位。例如,fffdabf9发生20次,fffxxxx发生17次等等。
蜂房不会让我用用计regex_extract()模式? – Cale