CHJBootCamp2018/DAY2 の履歴(No.6)

CHJBootCamp2018

SQL(2) グループ化、表の結合

↑

グループ化と集計

↑

グループ化： GROUP BY 句

SELECT 列名,列名2... FROM テーブル GROUP BY 列名
- 短単位表から品詞が接続詞であるものを同じ語彙素,語彙素読みのものごとにまとめて語彙素,語彙素読みの列を出力
```
SELECT 語彙素,語彙素読み FROM 短単位 WHERE 品詞='接続詞' GROUP BY 語彙素,語彙素読み
```

↑

ORDER BY 句 (復習)

SELECT 列名,列名2... FROM テーブル GROUP BY 列名 ORDER BY 列名
- 短単位表から品詞が接続詞であるものを同じ語彙素,語彙素読みのものごとにまとめて語彙素,語彙素読みの列を語彙素読み,語彙素順に出力
```
SELECT 語彙素,語彙素読み FROM 短単位 WHERE 品詞='接続詞' GROUP BY 語彙素,語彙素読み ORDR BY 語彙素読み,語彙素
```

↑

COUNT()：集計関数

集計した数を返す
- 短単位表から品詞が接続詞であるものを同じ語彙素,語彙素読みのものごとにまとめて語彙素,語彙素読みの列と集計した語数を出力
```
SELECT 語彙素,語彙素読み,count(語彙素) FROM 短単位 WHERE 品詞='接続詞' GROUP BY 語彙素,語彙素読み
```
- 短単位表から品詞が接続詞であるものを同じ語彙素,語彙素読みのものごとにまとめて語彙素,語彙素読みの列と集計した語数を語彙素読み（アイウエオ）順で出力
```
SELECT 語彙素,語彙素読み,count(語彙素) FROM 短単位 WHERE 品詞='接続詞' GROUP BY 語彙素,語彙素読み ORDER BY 語彙素読み
```
- 短単位表から品詞が接続詞であるものを同じ語彙素,語彙素読みのものごとにまとめて語彙素,語彙素読みの列と集計した語数を語数の多い順で出力
```
SELECT 語彙素,語彙素読み,count(語彙素) FROM 短単位 WHERE 品詞='接続詞' GROUP BY 語彙素,語彙素読み ORDER BY count(語彙素) DESC
```

↑

表の結合

内部結合 INNER JOIN
- 結合条件に一致するレコードだけを表示
外部結合 LEFT (OUTER) JOIN
- 軸にする左のテーブルのレコード全てと、結合条件に一致する右テーブルのレコードを表示。一致するものがない場合、右側はNULL（値なし）となる。

↑

書誌情報テーブルと結合

短単位・長単位テーブルとはサンプルIDで結合する
- 必ずコーパスに対応する書誌情報がある（結合できないことはない）
```
select top 100 *
from 短単位 as S inner join 書誌情報 as B on S.サンプルID=B.サンプルID
```

↑

短単位・長単位テーブルを結合（外部結合）

短単位と長単位の結合にはサンプルIDと文字開始位置を使う（連番は短単位と長単位で異なる）
- 対応する長単位がない場合（長単位の途中にある短単位）、NULLになる。
```
select top 100 *
from 短単位 as S left join 長単位 as L on S.サンプルID=L.サンプルID and S._文字開始位置=L._文字開始位置
```

↑

応用：構成要素として助動詞を含む長単位名詞

select s.サンプルID,s.連番,s.語彙素,l.キー,l.語彙素 from 長単位 as l
inner join 短単位 as s
 on s.サンプルID=l.サンプルID
  and s._文字開始位置>=l._文字開始位置
  and s._文字開始位置<l._文字終了位置
where s.サブコーパス名='平安'
and s.品詞 like '助動詞%' and l.品詞 like '名詞%'

↑

【補足】

select * from でテーブルの全ての列をもってくる
select count(*) as 名前 from　のように列やテーブルに名前（エイリアス）を付けられる
- 長いテーブル名や、集計結果などの名無しの列で使う
データベースのNULLは、非常に特殊な値
- 普通には比較できないので、ISNULL関数等を使う

↑

表の結合と集計

書誌情報テーブルと結合して作品別の語数を集計

select 作品名, count(*) as 総語数
from 短単位 as S inner join 書誌情報 as B on S.サンプルID=B.サンプルID
where S.サブコーパス名 like '平安'
group by 作品名

↑

SQL(3) コーパスデータの扱い

↑

関数のいろいろ

↑

組み込み関数

https://msdn.microsoft.com/ja-jp/library/ms174318(v=sql.120).aspx

↑

文字列関数

Excelで使ったのと同じようなものが使えるが名前が違うものも
- ExcelのSEARCH ＝ charindex,patindex
- ExcelのMID ＝ substring　など

↑

KWIC生成関数（ユーザー定義関数）

KWIC生成
- fn前文脈(サンプルID,出現書字形開始位置,長さ)
- fn後文脈(サンプルID,出現書字形開始位置,長さ)

select top 100 dbo.fn前文脈(サンプルID,出現書字形開始位置,20),キー,dbo.fn後文脈(サンプルID,出現書字形開始位置,20) from 短単位

select top 100 サンプルID,dbo.fn前文脈(サンプルID,出現書字形開始位置,20),キー,dbo.fn後文脈(サンプルID,出現書字形開始位置,20),語彙素,語彙素読み,品詞 from 短単位
where 語彙素 like '鰻'

↑

BCCWJデータを使うには

use chunagon_bccwj

CHJとほとんど同じデータ構造。サイズが大きいことに注意
サブコーパス名でなくBCCWJは「レジスター」*1

↑

CASE式

CASE WHEN ● THEN ○○ WHEN ■ THEN □□ ELSE △ END

 select 作品名, count(*) as 総語数,sum(CASE WHEN 本文種別='歌' THEN 1 ELSE 0 END) as 歌語数
 from 短単位 as S inner join 書誌情報 as B on S.サンプルID=B.サンプルID
 where S.サブコーパス名 like '平安'
 group by 作品名

※本文種別でグループ化して出力した表をExcelのピボットテーブルで集計した方が早くて間違えにくい場合も。

↑

連続する語の取り出し

同一の表を一語ずつずらしながら結合する。コーパスデータの扱いで頻出するテクニック。

（前方後方共起による検索条件指定ができる）

select top 100 s1.語彙素,s1.語彙素読み,s1.品詞,dbo.fn前文脈(s1.サンプルID,s1.出現書字形開始位置,20),s1.キー,dbo.fn後文脈(s1.サンプルID,s1.出現書字形開始位置,20)
from 短単位 as s1 inner join 短単位 as s2 on s1.サンプルID=s2.サンプルID and s1.連番 + 10 = s2.連番
where s2.語彙素 like '鰻'

N-gram

語彙素6グラム

select top 100
s1.キー+s2.キー+s3.キー+s4.キー+s5.キー+s6.キー,
s1.語彙素+'/'+s2.語彙素+'/'+s3.語彙素+'/'+s4.語彙素+'/'+s5.語彙素+'/'+s6.語彙素
from 短単位 as s1
 inner join 短単位 as s2 on s1.サンプルID=s2.サンプルID and s1.連番 + 10 = s2.連番
 inner join 短単位 as s3 on s2.サンプルID=s3.サンプルID and s2.連番 + 10 = s3.連番
 inner join 短単位 as s4 on s3.サンプルID=s4.サンプルID and s3.連番 + 10 = s4.連番
 inner join 短単位 as s5 on s4.サンプルID=s5.サンプルID and s4.連番 + 10 = s5.連番
 inner join 短単位 as s6 on s5.サンプルID=s6.サンプルID and s5.連番 + 10 = s6.連番
where s1.サブコーパス名='平安' 
order by s1.サンプルID, s1.連番

↑

文数・文節数・語数

select 作品名--,S.本文種別
,sum(case when S.文境界 = 'B' then 1 else 0 end) as 文数
,sum(case when 文節='B' then 1 else 0 end) as 文節数
,count(L.語彙素) as 長単位数
,count(S.語彙素) as 短単位数
from 短単位 as S inner join 書誌情報 as B on S.サンプルID = B.サンプルID
left join 長単位 as L on S.サンプルID = L.サンプルID and S._文字開始位置 = L._文字開始位置
where B.サブコーパス名 like '平安'
group by B.作品名--,S.本文種別

↑

サブクエリ

括弧でくくったSELECT文に名前を付けて、あたかもテーブルであるかのように扱える

異なり語数

select x.サブコーパス名, count(*) from
 (select サブコーパス名, count(*) as 語数 from 短単位 where 品詞 not like '記号%'
  group by 語彙素ID,サブコーパス名) as x
group by x.サブコーパス名

TTR（Type Token Ratio）

select x.サブコーパス名, count(*) as 異なり語数, sum(語数) as 延べ語数, 
CONVERT(float,count(*))/sum(語数) as TTR from
 (select サブコーパス名, count(*) as 語数 from 短単位 where 品詞 not like '記号%'
  group by 語彙素ID,サブコーパス名) as x
group by x.サブコーパス名

↑

辞書データベース（unidicSQL）

↑

辞書の階層化された見出し表を扱う

use unidicSQL

語彙素
- 語形
  - 書字形

語彙素を出力

select * from 短単位語彙素 where 語彙素 like '夏%' and 語彙素読み like 'ナツ%'

語彙素の全ての語形,入力活用型を出力

SELECT 語形,入力活用型 from 短単位語形 as F inner join 短単位語彙素 as L on L.語彙素ID=F.語彙素ID 
where 語彙素 like '見る' and 語彙素読み like 'ミル'

語彙素の全ての書字形を出力

SELECT 語形,書字形 from 短単位書字形 as O inner join 短単位語形 as F on F.語形ID=O.語形ID inner join 短単位語彙素 as L on L.語彙素ID=F.語彙素ID 
where 語彙素 like '見る' and 語彙素読み like 'ミル'

↑

コーパスと辞書を繋ぐ

語彙素ID, 語形ID, 書字形ID

use chunagon_bccwj
select L.語彙素,SUW.レジスター,count(SUW.キー) from 短単位語彙素 as L inner join chunagon_bccwj.dbo.短単位 as SUW on L.語彙素ID=SUW.語彙素ID
where L.語彙素 like '夏%' and L.語彙素読み like 'ナツ%'
group by L.語彙素, SUW.レジスター

上と同じものを外部結合

use chunagon_bccwj
select L.語彙素,SUW.レジスター,count(SUW.キー) from 短単位語彙素 as L left join chunagon_bccwj.dbo.短単位 as SUW on L.語彙素ID=SUW.語彙素ID
where L.語彙素 like '夏%' and L.語彙素読み like 'ナツ%'
group by L.語彙素, SUW.レジスター

↑

一時テーブルの作成

#で始まるテーブル名は、DB切断後削除される一時テーブルとなる。現在の権限でも一時テーブルは作成できる。
複雑なサブクエリを書くより、一時テーブルに書き出した方が処理が早いことが多い

SELECT カラム INTO 新しい書き込み先のテーブル FROM テーブル WHERE条件句

権限がないのでエラー

select * into 鰻テーブル from 短単位 where 語彙素='鰻'

select * into #鰻テーブル from 短単位 where 語彙素='鰻'

select * from #鰻テーブル

drop table：テーブルの削除（一時テーブル以外は権限上削除できない）
```
drop table #鰻テーブル
```

↑

応用例：文番号入りの短単位テーブルを作る

SELECT文で頑張る
同一文中の共起語などを容易に取得できるように

drop table  #短単位文番号

--文頭（文境界=B）の表（仮テーブル#文番号tmp）を連番入りで作る
select ROW_NUMBER() over(order by サンプルID,連番) as 文番号,* into #文番号tmp from 短単位
where サブコーパス名='奈良' and 文境界='B'

--上のテーブルを一つずらして結合して、文の開始連番と次の文の開始連番の入った表（#短単位文番号）を作る
select a.サンプルID,a.文番号,a.連番 as 文開始連番,b.連番 as 次文開始連番 into #短単位文番号
 from #文番号tmp as a inner join #文番号tmp as b on a.文番号+1=b.文番号
 order by a.サンプルID,a.連番

--最初の仮テーブルを消す
drop table  #文番号tmp

--#短単位文番号テーブルに最後の一文の情報を追加（次文開始連番は最後の語の連番）
insert into #短単位文番号 (サンプルID,文番号,文開始連番,次文開始連番) values ('10-万葉0759_00020',4809,45380,45520) 

--短単位テーブルを#短単位文番号テーブルと結合
select 文番号,s.* from 短単位 as s
inner join #短単位文番号 as x on s.サンプルID =x.サンプルID and s.連番>=x.文開始連番 and s.連番<x.次文開始連番
order by s.サンプルID,s.連番

↑

質疑・相談会

↑