从 2021 年 2 月的数据集开始，我们将向 BigQuery 中的 Crux 报告添加一项实验性指标，用于按数量级区分来源的热门程度：前 1,000 个来源、前 10,000 个来源、前 10 万个来源、前 100 万个来源等。
我们来看看实际运用情况：
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
| 行 | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 10000 | 9000 |
| 3 | 100000 | 90,000 |
| 4 | 1,000,000 | 900000 |
| 15 | 1000 万 | 7,264,371,000 |
对于 2021 年 2 月的全球数据集，我们得到了 5 个存储分区。与预期一样，在第 1 行中，我们看到排名为 1000 的出发地有 1000 个 - 根据我们的指标，这是 1000 个最热门的出发地。第 2 行可能看起来令人惊讶，显示前 1 万个来源中只有 9, 000 个来源；这是因为第 1 行中的来源也属于前 1 万个来源。如需选择前 1 万个来源，您需要在查询时指定 experimental.popularity.rank <= 10000。
该数据集还包含特定于国家/地区的排名幅度。例如，以下查询会列出德国最受欢迎的 1 万个来源。
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
为了探讨我们新推出的“受欢迎程度”指标的潜力，我们来看看网站的受欢迎程度细分受众群体在首次内容绘制指标 (FCP) 方面的差异。在本查询中，我们将 1 秒视为快速的用户体验。
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
对于 experimental.popularity.rank <= 1000 的来源，该查询会对小于 1000 毫秒的 FCP 指标值的所有直方图桶密度进行求和，然后将其除以来源数量，即计算最热门的 1,000 个来源的快速 FCP 加载平均百分比。在此查询中，所有来源的权重均相同，因此可以说这种方法并不完美。但是，我们可以通过更改 where 子句来指定 experiment.popularity.rank <= 10000，来看看结果是否对秩大小的变化敏感。我们会对 1 万、10 万等进行此类处理：
| 来源的排名大小 | 小于 1 秒的 FCP 所占百分比（按来源平均） |
|---|---|
| 1.000 | 53.6% |
| 10000 | 49.6% |
| 100000 | 45.9% |
| 1000000 | 43.2% |
| 1000 万 | 39.9% |
这表明，网页上的用户体验越快，应用的受欢迎程度就越高。
在 2022 年 10 月的数据集中，我们进一步按半个等级步骤对其进行了细分。针对此数据集重新运行第一个查询，即可显示每个等级大小中的半步和起源数量：
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
| 行 | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 5000 | 4000 |
| 3 | 10000 | 5000 |
| 4 | 5 万 | 40000 |
| 5 | 100000 | 5 万 |
| 6 | 50 万 | 400000 |
| 7 | 1,000,000 | 50 万 |
| 8 | 5000000 | 4,000,000 |
| 9 | 1000 万 | 5000000 |
| 10 | 5000 万 | 7,637,195,000 |
详细了解如何在 BigQuery 中使用 CrUX，并浏览 CrUX 实战宝典，查看更多查询示例。如果您愿意，欢迎分享您的查询，并告诉我们您找到的信息。