使用SPARQL查询各属性对应实例的不同取值平均数的实现方法

核心逻辑 #

统计逻辑分两步执行：

• 第一步：按「实例+属性」分组，统计每个实例在对应属性下的不同值计数
• 第二步：按「属性」分组，对所有实例的计数值求平均

通用查询模板 #

适用于任意类下所有属性的统计需求，替换模板中的类URI即可使用：

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>

SELECT ?property (AVG(?valueCount) AS ?avgDistinctValues)
WHERE {
  ?instance a <TARGET_CLASS_URI> .
  ?instance ?property ?value .
  {
    SELECT ?instance ?property (COUNT(DISTINCT ?value) AS ?valueCount)
    WHERE {
      ?instance a <TARGET_CLASS_URI> .
      ?instance ?property ?value .
    } GROUP BY ?instance ?property
  }
} GROUP BY ?property

一级方程式车手场景示例 #

以DBpedia数据集为例，统计F1车手所有属性的平均不同值数量，查询语句如下：

PREFIX dbo: <http://dbpedia.org/ontology/>

SELECT ?property (AVG(?valueCount) AS ?avgDistinctValues)
WHERE {
  ?driver a dbo:FormulaOneRacer .
  ?driver ?property ?value .
  {
    SELECT ?driver ?property (COUNT(DISTINCT ?value) AS ?valueCount)
    WHERE {
      ?driver a dbo:FormulaOneRacer .
      ?driver ?property ?value .
    } GROUP BY ?driver ?property
  }
} GROUP BY ?property
# 可选排序规则：ORDER BY DESC(?avgDistinctValues)

如果仅需要统计职业、参赛车队两个特定属性，可以添加属性过滤规则提升查询效率：

PREFIX dbo: <http://dbpedia.org/ontology/>

SELECT ?property (AVG(?valueCount) AS ?avgDistinctValues)
WHERE {
  VALUES ?property { dbo:occupation dbo:team }
  ?driver a dbo:FormulaOneRacer .
  ?driver ?property ?value .
  {
    SELECT ?driver ?property (COUNT(DISTINCT ?value) AS ?valueCount)
    WHERE {
      VALUES ?property { dbo:occupation dbo:team }
      ?driver a dbo:FormulaOneRacer .
      ?driver ?property ?value .
    } GROUP BY ?driver ?property
  }
} GROUP BY ?property

注意事项 #

• 统计时自动排除没有对应属性值的实例，不会将0值计入平均值计算
• 大数据集查询时建议优先限定属性范围，避免全量扫描导致查询超时
• 不同RDF数据集的类和属性URI可能存在差异，需要根据你使用的数据集调整对应URI

内容的提问来源于stack exchange，提问作者Rydzio