自 2021 年 2 月資料集起，我們將在 BigQuery 的 CrUX 報告中新增一項實驗性指標，依據規模排序來區分來源熱門程度：前 1 千名、前 1 萬大熱門、前 10 萬大、前 100 萬......
我們來看看實際運作方式：
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202102`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| 列 | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1,000 | 1,000 |
| 2 | 10,000 | 9,000 |
| 3 | 100,000 | 90,000 |
| 4 | 1,000,000 | 90 萬個 |
| 15 | 10,000,000 | 7,264,371 人 |
2021 年 2 月的全球資料集可獲得 5 個值區。一如預期，第 1 列 可以看到 1000 個起點，排名規模達到 1000，則排名前 1,000 名 比較熱門來源第 2 列可能看起來出乎意料，表示 只有前 1 萬集中的 9,000 個來源；這是因為第 1 列的起點是由 也屬於前 1 萬個資料集的一部分如要選取前 1 萬個來源，必須執行以下動作： 請在查詢時指定 experiment.popularity.rank <= 10000
資料集也包含國家/地區特定的排名規模。舉例來說 查詢會列出德國最受歡迎的 1 萬個出發地。
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
為說明我們新推出的熱門程度指標，讓我們看看熱門程度 網路區隔與首次顯示內容所需時間 (FCP) 不同。就此查詢來說 我們認定 1 秒的使用者體驗快速
SELECT
SUM(fcp.density)/count(distinct origin)
FROM
`chrome-ux-report.all.202102`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
fcp.start < 1000 AND experimental.popularity.rank <= 1000
如果 experimental.popularity.rank <= 1000 的來源，則查詢總和
FCP 指標值小於 1000 毫秒的直方圖值區密度
除以來源數量，也就是計算
快速 FCP 載入。在此查詢中，所有來源都含有
所以不一定是完全完美現在來看看結果
對變更排名規模而言很敏感，但只要變更 Where 子句，
指定 experiment.popularity.rank <= 10000例如 1 萬、10 萬等等
已開啟：
| 來源排名規模 | FCP 百分比1 秒，高於來源的平均值 |
|---|---|
| 1.000 美元 | 53.6% |
| 10,000 | 49.6% |
| 100,000 | 45.9% |
| 1,000,000 | 43.2% |
| 10,000,000 | 39.9% |
這表示網頁載入速度較快，較熱門程度更重要。
在 2022 年 10 月的資料集中，這個數值進一步細分為半排名步驟。重新執行這個資料集的第一個查詢，會顯示各半步驟和各排名規模的來源數量：
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202210`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| 列 | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1,000 | 1,000 |
| 2 | 5,000 | 4,000 |
| 3 | 10,000 | 5,000 |
| 4 | 50,000 次 | 40,000 |
| 5 | 100,000 | 50,000 次 |
| 6 | 500,000 | 400,000 |
| 7 | 1,000,000 | 500,000 |
| 8 | 5,000,000 | 4,000,000 人 |
| 9 | 10,000,000 | 5,000,000 |
| 10 | 50,000,000 | 7,637,195 人 |
進一步瞭解如何在 BigQuery 中使用 CrUX，並瀏覽 CrUX Cookbook 提供更多查詢範例。也可以視需要分享查詢，讓我們知道你發現了什麼。