BigQuery UNNEST, ARRAY, STRUCT 사용 방법



들어가며

  • BigQuery는 SQL 문법을 사용하고 있기 때문에, 많은 사람들이 처음에 쉽게 접할 수 있음
    • 그러나 자주보기 힘든 ARRAY, STRUCT, UNNEST를 만나면 많은 사람들이 어려워함
    • 특히 Google Analytics 데이터나 Firebase 데이터 작업시 Cannot access field name on a value with type ARRAY 이런 Error를 접함
    • 자료형들에 대한 설명과 이런 데이터를 쿼리할 때 어떻게 사용해야 하는지에 대해 정리하려고 함
  • 참고로, BigQuery는 비정규화되었을 때 성능이 가장 뛰어남
    • 비정규화를 위해 중첩(Nested) 및 반복(Repeated) 열을 사용함
    • 중첩된 레코드를 사용할 때 장점
      • 빅쿼리 퍼포먼스 개선
      • 데이터 저장 용량의 효율
      • 스키마가 바뀌어도 유연하게 대응 가능
    • 이 내용은 BigQuery Document에 나옴




BigQuery ARRAY

  • 배열 함수 Document
  • BigQuery는 데이터 유형이 동일한 값으로 구성된 목록을 ARRAY(배열)라 부름
    • 파이썬의 List와 유사함(완전히 동일하진 않음)
    • 하나의 행에 데이터 타입이 동일한 여러 값이 저장됨
    • 빅쿼리 UI에서 배열을 보여줄 때 세로로 나열됨
      SELECT 
          [1,2,3] AS array_sample, 1 AS int_value
      UNION ALL
      SELECT 
          [3,5,7] AS array_sample, 2 AS int_value
    
    • 쿼리 결과
      • 행을 보면 1과 2만 있고, 1 안에 array_sample에 1, 2, 3이 세로로 출력됨. 반면에 단순 숫자값을 나열한 int_value는 1개만 보임
      • 행 하나에 딸려있는 경우 ARRAY!
      • array_sample이 ARRAY(int_value는 INT64)
  • ARRAY 생성 방법
    • 1) 대괄호([, ]) 사용

        SELECT [1, 2, 3] AS array_sample
      
    • 2) ARRAY<> 사용
      • ARRAY<타입>을 작성하고 괄호 사용
        SELECT ARRAY<INT64>[1,2,3] AS int_array
      
    • 3) GENERATE 함수 사용
      • GENERATE_ARRAY, GENERATE_DATE_ARRAY, GENERATE_TIMESTAMP_ARRAY 등 사용
      • GENERATE_ARRAY(시작, 종료, 간격) : python에서 range(start, end, step)과 동일함
        SELECT GENERATE_ARRAY(1, 10, 2) AS generate_array_data
      
      • GENERATE_DATE_ARRAY도 GENERATE_ARRAY와 동일
        SELECT GENERATE_DATE_ARRAY('2020-01-01', '2020-02-01', INTERVAL 1 WEEK) AS generate_date_array_data
      
    • 4) ARRAY_AGG 사용
      • ARRAY_AGG, ARRAY_CONCAT_AGG 등 사용
      • Table에 저장된 데이터를 SELECT하고 ARRAY로 묶고싶은 경우 사용
        WITH programming_languages AS
            (SELECT "python" AS programming_language
             UNION ALL SELECT "go" AS programming_language
             UNION ALL SELECT "scala" AS programming_language)
      		     
        SELECT ARRAY_AGG(programming_language) AS programming_languages_array
        FROM programming_languages
      
      • 여기서 SELECT [“python”, “go”, “scala”] as programming_language로 가능한거 아니냐고 생각할 수 있는데, 데이터를 만드는 과정이라면 둘 다 가능하지만, Table에 저장된 데이터를 SELECT해서 집계할 땐 이렇게 해야함
      • SELECT ARRAY[programming_language] AS programming_languages_array 이런 쿼리를 직접 돌려보면 배열이 아닌 행에 하나의 값만 저장되는 것을 볼 수 있음. ARRAY_AGG을 사용!
  • 배열 내 접근
    • 배열의 N번째 값을 가져오고 싶은 경우 OFFSET, ORDINAL을 사용할 수 있음
    • OFFSET : 0부터 시작
    • ORDINAL : 1부터 시작
    • 존재하지 않는 N을 지정하면 에러가 발생하는데, 이럴 경우 SAFE_를 앞에 붙여주면(SAFE_OFFSET, SAFE_ORDINAL) 에러가 발생하지 않고 NULL이 return됨
      WITH programming_languages AS
          (SELECT "python" AS programming_language
           UNION ALL SELECT "go" AS programming_language
           UNION ALL SELECT "scala" AS programming_language)
    	     
      SELECT 
        ARRAY_AGG(programming_language)[OFFSET(0)] AS programming_languages_array,
        ARRAY_AGG(programming_language)[ORDINAL(1)] AS programming_languages_array2
      FROM programming_languages
    
  • 배열을 역순으로 반환하고 싶은 경우
    • ARRAY_REVERSE 함수 사용
      WITH programming_languages AS
          (SELECT "python" AS programming_language
           UNION ALL SELECT "go" AS programming_language
           UNION ALL SELECT "scala" AS programming_language)
    	     
      SELECT 
        ARRAY_REVERSE(ARRAY_AGG(programming_language)) AS programming_languages_array_reverse
      FROM programming_languages
    
  • 배열의 길이(배열에 있는 요소들의 개수)가 궁금한 경우
    • ARRAY_LENGTH 사용
      WITH example_data AS(
      SELECT 
        'kyle' AS name,
        ['Python', 'SQL', 'R', 'Julia', 'Go'] AS preferred_language, 
        31 AS age
      UNION ALL
      SELECT 
        'max' AS name,
        ['Python', 'SQL', 'Scala', 'Java', 'Kotlin'] AS preferred_language, 
        29 AS age
      UNION ALL
      SELECT
        'yun' AS name,
        ['Python', 'SQL'] AS preferred_language, 
        28 AS age
      )
    	
      SELECT 
        *,
        ARRAY_LENGTH(preferred_language) AS preferred_language_len
      FROM example_data
    




BigQuery STRUCT

  • 데이터 유형 Document
  • 구조체로, BigQuery UI에서 RECORD로 표현됨
  • 각각 유형(필수)과 필드 이름(선택사항)이 있는 정렬된 필드의 컨테이너
    • C의 Struct
    • Python 3.7에 나온 Data Class와 유사. 참고 Stackoverflow
    • 처음엔 Python의 Dict과 유사한 느낌(절대 같지 않음!!!)이라 생각하면 편함
    • Python에서 Dict in List, List in Dict, List in List 처럼 BigQuery의 ARRAY와 STRUCT도 Array in Struct, Struct in Array, Struct in Struct 등이 가능함
    • 따라서 ARRAY를 접하다보면 STRUCT도 알아야 할 경우가 생김(그러나 ARRAY가 더 많이 사용됨)
    • Firebase에서 저장된 데이터를 볼 때 특히!
  • STRUCT 생성 방법
    • 1) 소괄호((, )) 사용
        SELECT (1,2,3) AS struct_test
      
    • 2) STRUCT<> 사용
      • <> 안에 타입을 지정해서 사용
          SELECT STRUCT<INT64, INT64, STRING>(1, 2, 'HI') AS struct_test
        
      • 타입 앞에 이름을 지정할 수 있음
        SELECT STRUCT<hi INT64, hello INT64, awesome STRING>(1, 2, 'HI') AS struct_test
      
      • 또는 타입을 지정하지 않고, AS로 이름을 지정할 수 있음
        SELECT STRUCT(1 as hi, 2 as hello, 'HI' as awesome) AS struct_test
      
    • 3) STRUCT<x STRUCT<y INT64, z STRING>>
      • 이런 표현을 종종 볼 수 있는데, 해석하면 바깥 STRUCT 안에 x라는 이름을 가진 STRUCT가 있고, 그 STRUCT엔 INT64 타입인 값이 1개, STRING 1개가 저장된 경우
        SELECT STRUCT<struct_example STRUCT<y INT64, z STRING>>((2, 'HI')) AS struct_test
      
      • 위 예시에선 바깥 STRUCT 이름은 AS struct_test로 정의함
    • 4) ARRAY 안에 여러 STRUCT를 사용하고 싶은 경우
      • ARRAY(SELECT AS STRUCT) 이런 형태로 사용
        SELECT
          ARRAY(
            SELECT AS STRUCT 1 as hi, 2, 3
            UNION ALL 
            SELECT AS STRUCT 4 as hi, 5, 6
          ) AS new_array
      




BigQuery UNNEST

  • UNNEST Document
  • 예시를 위해 사람들이 선호하는 프로그래밍 언어와 나이가 저장된 데이터가 있다고 가정
  • 배열에 통째로 접근하고 싶은 경우엔 평소처럼 컬럼을 지정
    • preferred_language
      WITH example_data AS(
          SELECT 
            'kyle' AS name,
            ['Python', 'SQL', 'R', 'Julia', 'Go'] AS preferred_language, 
            31 AS age
          UNION ALL
          SELECT 
            'max' AS name,
            ['Python', 'SQL', 'Scala', 'Java', 'Kotlin'] AS preferred_language, 
            29 AS age
          UNION ALL
          SELECT
            'yun' AS name,
            ['Python', 'SQL'] AS preferred_language, 
            28 AS age
          )
    		
      SELECT 
        name, preferred_language, age
      FROM example_data
    
    • 결과는 다음과 같다
  • 만약, Julia 언어를 선호하는 사람을 추출하고 싶다면 어떻게 해야할까?
    • WHERE preferred_language = ‘Julia’을 사용하면 아래와 같은 오류가 발생함
      • No matching signature for operator = for argument types: ARRAY, STRING. Supported signatures: ANY = ANY at [21:7]
      • 이 오류는 preferred_language는 ARRAY인데, Julia(STRING)랑 비교하려니 타입이 맞지않아 생기는 오류임
    • 이런 상황에 배열을 평면화(Flatten)해서 배열에 있는 값을 펴줘야 함
    • 배열을 펴줄 때 사용하는 것은 UNNEST로, Nest한 데이터를 UNNEST하게 만드는 것
    • UNNEST 연산자는 ARRAY를 입력으로 받고 ARRAY의 각 요소에 대한 행이 한 개씩 포함된 테이블을 return함
    • Nested는 중첩 및 반복 열 지정 Document에 더 자세한 설명을 볼 수 있음
  • UNNEST() 사용하는 방법
    • UNNEST한 결과와 Table을 CROSS JOIN함
      SELECT
          alias_name.value
      FROM Table_A CROSS JOIN UNNEST(ARRAY 데이터) as alias_name
    
    • CROSS JOIN을 명시하지 않고 쉼표를 사용해도 동일함
      SELECT
          alias_name.value
      FROM Table_A, UNNEST(ARRAY 데이터) as alias_name
    
  • 더 직관적인 이해를 위해 How to use the UNNEST function in BigQuery to analyze event parameters in Analytics 글에 나온 예시를 참고하자
    • 아래와 같은 데이터가 있다
    • crew = “Zoe”를 추출하고 싶어 UNNEST를 사용
      SELECT * FROM `spaceships` CROSS JOIN UNNEST(crew) as crew_member
    
    • 이 과정을 시각화하면 아래와 같음
    • 이제 WHERE 조건에 crew_member = “Zoe”를 사용할 경우 어떤 흐름으로 되는지 보자
    • UNNEST를 사용하면 각 행에 배열의 값을 뿌려준다(=평면화, 펴준다)
  • 다시 돌아와서, Julia를 선호하는 사람을 추출하는 사람을 찾기 위해 UNNEST를 사용해보자(필터링은 아직 하지말고)

      WITH example_data AS(
          SELECT 
            'kyle' AS name,
            ['Python', 'SQL', 'R', 'Julia', 'Go'] AS preferred_language, 
            31 AS age
          UNION ALL
          SELECT 
            'max' AS name,
            ['Python', 'SQL', 'Scala', 'Java', 'Kotlin'] AS preferred_language, 
            29 AS age
          UNION ALL
          SELECT
            'yun' AS name,
            ['Python', 'SQL'] AS preferred_language, 
            28 AS age
          )
    		
      SELECT 
        name, prefer_lang, age
      FROM example_data, UNNEST(example_data.preferred_language) as prefer_lang
    
    • FROM 절을 보면 FROM example_data, UNNEST(example_data.preferred_language) as prefer_lang로 명시함
      • 즉, example_data의 preferred_language ARRAY를 UNNEST로 펴주고, prefer_lang으로 alias함
    • 결과는 다음과 같다
    • UNNEST 전에 그냥 ARRAY 접근했던 경우와 비교하자
      • 이제 UNNEST 전 후에 어떻게 되는지 주의깊게 보자. 행이 왼쪽은 3, 오른쪽은 12!
  • UNNEST 하고 prefer_lang = ‘Julia’ 조건을 준 쿼리는 아래와 같음

      WITH example_data AS(
          SELECT 
            'kyle' AS name,
            ['Python', 'SQL', 'R', 'Julia', 'Go'] AS preferred_language, 
            31 AS age
          UNION ALL
          SELECT 
            'max' AS name,
            ['Python', 'SQL', 'Scala', 'Java', 'Kotlin'] AS preferred_language, 
            29 AS age
          UNION ALL
          SELECT
            'yun' AS name,
            ['Python', 'SQL'] AS preferred_language, 
            28 AS age
          )
    		
      SELECT 
        name, prefer_lang, age
      FROM example_data, UNNEST(example_data.preferred_language) as prefer_lang
      WHERE prefer_lang = 'Julia'
    

응용

  • ARRAY에 특정 값이 있는지 확인하고 싶은 경우
    • WHERE 절에서 UNNEST로 풀고, IN 사용
    • Scala를 선호하는 사람을 찾고 싶은 경우
      WITH example_data AS(
              SELECT 
                'kyle' AS name,
                ['Python', 'SQL', 'R', 'Julia', 'Go'] AS preferred_language, 
                31 AS age
              UNION ALL
              SELECT 
                'max' AS name,
                ['Python', 'SQL', 'Scala', 'Java', 'Kotlin'] AS preferred_language, 
                29 AS age
              UNION ALL
              SELECT
                'yun' AS name,
                ['Python', 'SQL'] AS preferred_language, 
                28 AS age
              )
    			
      SELECT 
        name, preferred_language, age
      FROM example_data
      WHERE 'Scala' IN UNNEST(example_data.preferred_language)	
    
    • 맨 아래에 WHERE ‘Scala’ IN UNNEST(example_data.preferred_language) 이렇게 필터링함
  • ARRAY에 특정 조건이 일치하는 값을 검색하고 싶은 경우
    • EXISTS 사용
      • IN 조건이 여러개 있는 경우에도 사용 가능
      • Go나 Scala를 선호하는 사람을 찾고싶은 경우
      WITH example_data AS(
          SELECT 
            'kyle' AS name,
            ['Python', 'SQL', 'R', 'Julia', 'Go'] AS preferred_language, 
            31 AS age
          UNION ALL
          SELECT 
            'max' AS name,
            ['Python', 'SQL', 'Scala', 'Java', 'Kotlin'] AS preferred_language, 
            29 AS age
          UNION ALL
          SELECT
            'yun' AS name,
            ['Python', 'SQL'] AS preferred_language, 
            28 AS age
          )
    	
      SELECT 
        name, preferred_language, age
      FROM example_data
      WHERE EXISTS 
        (
          SELECT * 
          FROM UNNEST(example_data.preferred_language) as prefer_lang
          WHERE prefer_lang IN ('Go','Scala')
        )
    
    • 아래에 EXISTS ~ 부분 참고
  • Firebase Analytics에 저장된 데이터 추출하기
      # UDF for event parameters
      CREATE TEMP FUNCTION paramValueByKey(k STRING, params ARRAY<STRUCT<key STRING, value STRUCT<string_value STRING, int_value INT64, float_value FLOAT64, double_value FLOAT64 >>>) AS (
        (SELECT x.value FROM UNNEST(params) x WHERE x.key=k)
      );
    	
      # UDF for user properties
      CREATE TEMP FUNCTION propertyValueByKey(k STRING, properties ARRAY<STRUCT<key STRING, value STRUCT<string_value STRING, int_value INT64, float_value FLOAT64, double_value FLOAT64, set_timestamp_micros INT64 >>>) AS (
        (SELECT x.value FROM UNNEST(properties) x WHERE x.key=k)
      );
    	
      SELECT 
        user_pseudo_id,
        event_name,
        event_timestamp,
        propertyValueByKey('num_levels_available', user_properties).string_value AS num_levels_available,
        paramValueByKey('board', event_params).string_value AS board,
        paramValueByKey('firebase_screen_class', event_params).string_value as firebase_screen_class
      from `firebase-public-project.analytics_153293282.events_20181003` 
      LIMIT 10
    
    • 아래의 결과가 나타남
      • screen_view event_name에 board가 null인 이유는 screen_view 이벤트엔 board 파라미터가 없기 때문!




정리

  • BigQuery ARRAY : 데이터 유형이 동일한 값으로 구성된 목록
  • BigQuery STRUCT : 각각 유형(필수)과 필드 이름(선택사항)이 있는 정렬된 필드의 컨테이너
  • ARRAY을 평면화(Flatten)하고 싶은 경우 UNNEST 사용
    • UNNEST 전/후를 보면 이해하기 수월
    • 과정이 이해가 안되면 GIF 참고!
  • Firebase Analytics에 저장되는 데이터는 UDF를 만들어서 활용!




Reference


카일스쿨 유튜브 채널을 만들었습니다. 데이터 사이언스, 성장, 리더십, BigQuery 등을 이야기할 예정이니, 관심 있으시면 구독 부탁드립니다 :)

이 글이 도움이 되셨다면 추천 클릭을 부탁드립니다 :)

Buy me a coffeeBuy me a coffee





© 2017. by Seongyun Byeon

Powered by zzsza