hll()(집계 함수)

이 hll() 함수는 값 집합의 고유 값 수를 예측하는 방법입니다. 함수를 사용하여 dcount 데이터 그룹에 대한 요약 연산자 내에서 집계에 대한 중간 결과를 계산하여 이 작업을 수행합니다.

기본 알고리즘(H yperL ogLog) 및 추정 정확도에 대해 알아봅니다.

참고 항목

이 함수는 summarize 연산자와 함께 사용됩니다.

팁

• hll_merge 함수를 사용하여 여러 hll() 함수의 결과를 병합합니다.
• dcount_hll 함수를 사용하여 또는 hll_merge 함수의 출력에서 고유 값의 hll() 수를 계산합니다.

Important

hll(), hll_if() 및 hll_merge()의 결과를 저장하고 나중에 검색할 수 있습니다. 예를 들어 일별 고유 사용자 요약을 만든 다음 주간 수를 계산하는 데 사용할 수 있습니다. 그러나 이러한 결과의 정확한 이진 표현은 시간이 지남에 따라 변경 될 수 있습니다. 이러한 함수가 동일한 입력에 대해 동일한 결과를 생성한다는 보장은 없으므로 이러한 함수를 사용하는 것이 좋습니다.

구문

hll(expr [, 정확도])

구문 규칙에 대해 자세히 알아봅니다.

매개 변수

이름	Type	필수	설명
expr	string	✔️	집계 계산에 사용되는 식입니다.
정밀	int		속도와 정확도 사이의 균형을 제어하는 값입니다. 지정하지 않으면 기본값 1가 사용됩니다. 지원되는 값은 예측 정확도를 참조 하세요.

반품

그룹 전체 expr의 고유 개수에 대한 중간 결과를 반환합니다.

예시

다음 예제에서는 함수를 hll() 사용하여 열의 각 10분 시간 bin 내에 있는 열의 DamageProperty 고유 값 수를 예측합니다 StartTime .

쿼리 실행

StormEvents
| summarize hll(DamageProperty) by bin(StartTime,10m)

표시된 결과 테이블에는 처음 10개의 행만 포함됩니다.

StartTime	hll_DamageProperty
2007-01-01T00:20:00Z	[[1024,14],["3803688792395291579"],[]]
2007-01-01T01:00:00Z	[[1024,14],["7755241107725382121","-5665157283053373866","3803688792395291579","-1003235211361077779"],[]]
2007-01-01T02:00:00Z	[[1024,14],["-1003235211361077779","-5665157283053373866","7755241107725382121"],[]]
2007-01-01T02:20:00Z	[[1024,14],["7755241107725382121"],[]]
2007-01-01T03:30:00Z	[[1024,14],["3803688792395291579"],[]]
2007-01-01T03:40:00Z	[[1024,14],["-5665157283053373866"],[]]
2007-01-01T04:30:00Z	[[1024,14],["3803688792395291579"],[]]
2007-01-01T05:30:00Z	[[1024,14],["3803688792395291579"],[]]
2007-01-01T06:30:00Z	[[1024,14],["1589522558235929902"],[]]

추정 정확도

이 함수는 집합 카디널리티의 확률적 추정을 수행하는 HLL(HyperLogLog) 알고리즘의 변형을 사용합니다. 알고리즘은 메모리 크기당 정확도 및 실행 시간의 균형을 맞추는 데 사용할 수 있는 "노브"를 제공합니다.

정확도	오류(%)	항목 수
0	1.6	212
1	0.8	214
2	0.4	216
3	0.28	217
4	0.2	218

참고 항목

"항목 수" 열은 HLL 구현에서 1 바이트 카운터의 수입니다.

알고리즘에는 집합 카디널리티가 충분히 작은 경우 완벽한 개수(오류 0개)를 수행하기 위한 몇 가지 프로비저닝이 포함됩니다.

• 정확도 수준이 1이면 1000개의 값이 반환됩니다.
• 정확도 수준이 2이면 8000개의 값이 반환됩니다.

바인딩된 오류는 이론적 바운드가 아닌 확률입니다. 값은 오류 분포의 표준 편차(시그마)이며 예측의 99.7%는 3 x 시그마 미만의 상대 오차를 갖습니다.

다음 이미지는 지원되는 모든 정확도 설정에 대한 상대 예측 오류의 확률 분포 함수를 백분율로 보여 줍니다.