CHJBootCamp2018/DAY2 の履歴(No.2)

CHJBootCamp2018

CHJ Boot Camp DAY 2 (SQL)

↑

集計

グループ化 GROUP BY
- 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のを同じ語彙素,語彙素読みのものを一行にまとめて語彙素,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
```

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のを同じ語彙素,語彙素読みのものを一行にまとめて語彙素,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のを同じ語彙素,語彙素読みのものを一行にまとめて語彙素,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のを同じ語彙素,語彙素読みのものを一行にまとめて語彙素,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
```

↑

SQLの書式など（SQL Server）

コマンドと記号は全て半角
コマンドは大文字小文字の区別は（原則として）ない
コマンドの切れ目のスペースやタブは余計に入っていて、改行を入れてもいい
文字列を値として指定するときは'値'のようにシングルクオーテーションで囲む
- 値として'を入れたいときは''としてエスケープ
--でコメントアウト（実行対象外になる）。行の途中からでも可
- /*　～　*/ で複数行コメントアウト

↑

表の結合

（参考）SQL素人でも分かるテーブル結合(inner joinとouter join) https://qiita.com/naoki_mochizuki/items/3fda1ad6594c11d7b43c

内部結合 INNER JOIN
外部結合 LEFT (OUTER) JOIN

↑

関係データベースとSQL(2)

↑

BCCWJデータ

use chunagon_bccwj

↑

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

↑

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'

↑

コーパスデータを使った実習

↑

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　のように名前を付けられる

↑

（復習）表の結合

 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

↑

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

↑

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

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

↑

表の結合（復習）

内部結合 INNER JOIN
外部結合 LEFT (OUTER) JOIN

上と同じものを外部結合

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

↑

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（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

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

↑

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）

use chunagon
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

↑

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。

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

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

CREATE TABLE テーブル名 ( 列名データ型 , 列名2 データ型 )

create table #ogiso_tmp ( ID int ,調査語彙素 varchar(10) ,調査語彙素読み varchar(10) )

↑