با شروع مجموعه داده فوریه 2021 ، ما یک معیار آزمایشی را به گزارش CrUX در BigQuery اضافه می کنیم که محبوبیت مبدا را بر اساس ترتیبات بزرگی متمایز می کند: 1k مبدا برتر، 10k برتر، 100k برتر، 1M برتر، ...
بیایید ببینیم که در عمل چگونه به نظر می رسد:
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
| ردیف | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 10000 | 9000 |
| 3 | 100000 | 90000 |
| 4 | 1,000,000 | 900000 |
| 15 | 10,000,000 | 7,264,371 |
برای مجموعه داده های جهانی فوریه 2021، 5 سطل دریافت می کنیم. همانطور که انتظار می‌رفت، در ردیف 1، می‌بینیم که 1000 مبدا با قدر رتبه 1000 وجود دارد - 1k محبوب‌ترین مبدا براساس متریک ما. ردیف 2 ممکن است شگفت‌انگیز به نظر برسد، که نشان می‌دهد تنها 9k منشا در مجموعه 10k برتر وجود دارد. این به این دلیل است که ریشه های ردیف 1 نیز بخشی از مجموعه 10k برتر هستند. برای انتخاب 10 هزار مبدا برتر، باید هنگام پرس و جو، Experimental.popularity.rank <= 10000 را مشخص کرد.
مجموعه داده همچنین شامل مقدار رتبه خاص کشور است. به عنوان مثال، این پرس و جو 10 هزار مبدا که در آلمان محبوب ترین هستند را فهرست می کند.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
برای لمس پتانسیل معیارهای محبوبیت جدیدمان، بیایید ببینیم که چگونه بخش‌های محبوبیت وب با توجه به اولین معیار رنگ محتوا (FCP) متفاوت است. برای هدف این پرس و جو، 1 ثانیه را تجربه کاربری سریع در نظر می گیریم.
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
برای مبداهایی با experimental.popularity.rank <= 1000، پرس و جو تمام چگالی های سطل هیستوگرام را برای مقادیر متریک FCP کوچکتر از 1000 میلی ثانیه جمع می کند و آن را بر تعداد مبداها تقسیم می کند - یعنی، میانگین درصد بارهای سریع FCP را برای 1k محبوب ترین ریشه ها. در این پرس و جو، همه ریشه ها وزن برابر دارند، بنابراین می توان گفت که این کامل نیست. اما بیایید ببینیم که آیا نتیجه به تغییر اندازه رتبه حساس است یا خیر، با تغییر عبارت Where برای مشخص کردن Experimental.popularity.rank <= 10000. ما این کار را برای 10k، 100k و غیره انجام می دهیم:
| قدر رتبه مبدا | درصد FCP < 1s، میانگین بیش از مبدا |
|---|---|
| 1000 | 53.6٪ |
| 10000 | 49.6٪ |
| 100000 | 45.9٪ |
| 1,000,000 | 43.2٪ |
| 10,000,000 | 39.9٪ |
این نشان می دهد که تجربه کاربری سریعتر در وب با محبوبیت بیشتر مرتبط است.
در مجموعه داده اکتبر 2022، این بیشتر با مراحل نیمه رتبه تقسیم شد. اجرای مجدد اولین پرس و جو برای این مجموعه داده، نیم گام ها و تعداد مبداها را در هر قدر رتبه نشان می دهد::
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
| ردیف | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 5000 | 4000 |
| 3 | 10000 | 5000 |
| 4 | 50000 | 40000 |
| 5 | 100000 | 50000 |
| 6 | 500000 | 400000 |
| 7 | 1,000,000 | 500000 |
| 8 | 5,000,000 | 4,000,000 |
| 9 | 10,000,000 | 5,000,000 |
| 10 | 50,000,000 | 7,637,195 |
درباره استفاده از CrUX در BigQuery بیشتر بیاموزید و برای نمونه سوالات بیشتر ، کتاب آشپزی CrUX را مرور کنید . اگر دوست دارید سوالات خود را به اشتراک بگذارید و آنچه را که پیدا کردید به ما بگویید.