如何在Pig Latin中按disctrict和year分组计算HOMICIDES占比？

没问题！我来一步步带你实现这个需求，咱们分步骤写Pig脚本就行：

1. 加载原始数据表 #

首先得把数据加载进来，假设你的数据是CSV格式（如果是其他分隔符，把','换成对应符号即可），先定义好表的字段结构：

-- 加载数据，指定列名与对应数据类型
raw_data = LOAD '/path/to/your/data' USING PigStorage(',') AS (typeofcrime:chararray, district:chararray, year:int);

2. 计算每个District+Year的总案件数 #

要算占比，首先得拿到每个区域每年的总案件量：

-- 按district和year组合分组，统计每组的总案件数
total_cases = FOREACH (GROUP raw_data BY (district, year)) GENERATE
    FLATTEN(group) AS (district, year),
    COUNT(raw_data) AS total_count;

3. 筛选并统计每个District+Year的HOMICIDES案件数 #

接下来单独提取凶杀案记录，同样按区域和年份分组统计数量：

-- 过滤出typeofcrime为HOMICIDES的记录（如果大小写不统一，可改用UPPER(typeofcrime) == 'HOMICIDES'）
homicide_data = FILTER raw_data BY typeofcrime == 'HOMICIDES';

-- 分组统计凶杀案数量
homicide_cases = FOREACH (GROUP homicide_data BY (district, year)) GENERATE
    FLATTEN(group) AS (district, year),
    COUNT(homicide_data) AS homicide_count;

4. 关联数据并计算占比 #

现在把总案件数和凶杀案数关联起来，计算占比（这里转成百分比格式，保留两位小数）：

-- 按district+year左连接两个数据集，确保没有凶杀案的区域也能显示占比0
joined_data = JOIN total_cases BY (district, year) LEFT OUTER, homicide_cases BY (district, year);

-- 计算占比，处理homicide_count为空的情况（设为0），同时避免整数除法问题
homicide_ratio = FOREACH joined_data GENERATE
    total_cases::district AS district,
    total_cases::year AS year,
    (CASE WHEN homicide_cases::homicide_count IS NULL THEN 0 ELSE homicide_cases::homicide_count END) AS homicide_count,
    total_cases::total_count AS total_count,
    ROUND((CASE 
        WHEN total_cases::total_count == 0 THEN 0 
        WHEN homicide_cases::homicide_count IS NULL THEN 0 
        ELSE (homicide_cases::homicide_count / (double)total_cases::total_count) * 100 
    END), 2) AS homicide_percentage;

5. 输出结果 #

最后把计算好的结果保存到指定路径：

-- 存储结果，用逗号分隔字段
STORE homicide_ratio INTO '/path/to/output' USING PigStorage(',');

额外提示 #

• 如果数据里存在typeofcrime大小写混乱的情况，记得用UPPER()或LOWER()统一格式后再过滤。
• 加了总案件数为0的判断，避免出现除以0的报错。
• 做除法时把整数转成double类型，防止只得到整数结果（比如1/2会变成0.5而不是0）。

内容的提问来源于stack exchange，提问作者Kenzo Guibeb