hive窗口函數/分析函數詳細剖析

時間 2021-01-30

標籤 sql cookie ide 函數學習大數據 url spa code orm 欄目 Hadoop 简体版

原文原文鏈接

hive窗口函數/分析函數

在sql中有一類函數叫作聚合函數,例如sum()、avg()、max()等等,這類函數能夠將多行數據按照規則彙集爲一行,通常來說彙集後的行數是要少於彙集前的行數的。可是有時咱們想要既顯示彙集前的數據,又要顯示彙集後的數據,這時咱們便引入了窗口函數。窗口函數又叫OLAP函數/分析函數，窗口函數兼具分組和排序功能。sql

窗口函數最重要的關鍵字是 partition by 和 order by。cookie

具體語法以下：over (partition by xxx order by xxx)ide

sum,avg,min,max 函數

準備數據函數

 1建表語句:
 2create table bigdata_t1(
 3cookieid string,
 4createtime string,   --day 
 5pv int
 6) row format delimited 
 7fields terminated by ',';
 8
 9加載數據：
10load data local inpath '/root/hivedata/bigdata_t1.dat' into table bigdata_t1;
11
12cookie1,2018-04-10,1
13cookie1,2018-04-11,5
14cookie1,2018-04-12,7
15cookie1,2018-04-13,3
16cookie1,2018-04-14,2
17cookie1,2018-04-15,4
18cookie1,2018-04-16,4
19
20開啓智能本地模式
21SET hive.exec.mode.local.auto=true;

SUM函數和窗口函數的配合使用：結果和ORDER BY相關,默認爲升序。學習

 1#pv1
 2select cookieid,createtime,pv,
 3sum(pv) over(partition by cookieid order by createtime) as pv1 
 4from bigdata_t1;
 5
 6#pv2
 7select cookieid,createtime,pv,
 8sum(pv) over(partition by cookieid order by createtime rows between unbounded preceding and current row) as pv2
 9from bigdata_t1;
10
11#pv3
12select cookieid,createtime,pv,
13sum(pv) over(partition by cookieid) as pv3
14from bigdata_t1;
15
16#pv4
17select cookieid,createtime,pv,
18sum(pv) over(partition by cookieid order by createtime rows between 3 preceding and current row) as pv4
19from bigdata_t1;
20
21#pv5
22select cookieid,createtime,pv,
23sum(pv) over(partition by cookieid order by createtime rows between 3 preceding and 1 following) as pv5
24from bigdata_t1;
25
26#pv6
27select cookieid,createtime,pv,
28sum(pv) over(partition by cookieid order by createtime rows between current row and unbounded following) as pv6
29from bigdata_t1;
30
31
32pv1: 分組內從起點到當前行的pv累積，如，11號的pv1=10號的pv+11號的pv, 12號=10號+11號+12號
33pv2: 同pv1
34pv3: 分組內(cookie1)全部的pv累加
35pv4: 分組內當前行+往前3行，如，11號=10號+11號， 12號=10號+11號+12號，
36                           13號=10號+11號+12號+13號， 14號=11號+12號+13號+14號
37pv5: 分組內當前行+往前3行+日後1行，如，14號=11號+12號+13號+14號+15號=5+7+3+2+4=21
38pv6: 分組內當前行+日後全部行，如，13號=13號+14號+15號+16號=3+2+4+4=13，
39                             14號=14號+15號+16號=2+4+4=10

若是不指定rows between,默認爲從起點到當前行;大數據

若是不指定order by，則將分組內全部值累加;url

關鍵是理解rows between含義,也叫作window子句：spa

preceding：往前code

following：日後orm

current row：當前行

unbounded：起點

unbounded preceding 表示從前面的起點

unbounded following：表示到後面的終點

AVG，MIN，MAX，和SUM用法同樣。

row_number,rank,dense_rank,ntile 函數

準備數據

 1cookie1,2018-04-10,1
 2cookie1,2018-04-11,5
 3cookie1,2018-04-12,7
 4cookie1,2018-04-13,3
 5cookie1,2018-04-14,2
 6cookie1,2018-04-15,4
 7cookie1,2018-04-16,4
 8cookie2,2018-04-10,2
 9cookie2,2018-04-11,3
10cookie2,2018-04-12,5
11cookie2,2018-04-13,6
12cookie2,2018-04-14,3
13cookie2,2018-04-15,9
14cookie2,2018-04-16,7
15
16CREATE TABLE bigdata_t2 (
17cookieid string,
18createtime string,   --day 
19pv INT
20) ROW FORMAT DELIMITED 
21FIELDS TERMINATED BY ',' 
22stored as textfile;
23
24加載數據：
25load data local inpath '/root/hivedata/bigdata_t2.dat' into table bigdata_t2;

ROW_NUMBER()使用
ROW_NUMBER()從1開始，按照順序，生成分組內記錄的序列。

1SELECT 
2cookieid,
3createtime,
4pv,
5ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn 
6FROM bigdata_t2;

RANK 和 DENSE_RANK使用
RANK() 生成數據項在分組中的排名，排名相等會在名次中留下空位。
DENSE_RANK()生成數據項在分組中的排名，排名相等會在名次中不會留下空位。

1SELECT 
2cookieid,
3createtime,
4pv,
5RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn1,
6DENSE_RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn2,
7ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESC) AS rn3 
8FROM bigdata_t2 
9WHERE cookieid = 'cookie1';

NTILE
有時會有這樣的需求:若是數據排序後分爲三部分，業務人員只關心其中的一部分，如何將這中間的三分之一數據拿出來呢?NTILE函數便可以知足。
ntile能夠當作是：把有序的數據集合平均分配到指定的數量（num）個桶中, 將桶號分配給每一行。若是不能平均分配，則優先分配較小編號的桶，而且各個桶中能放的行數最多相差1。
而後能夠根據桶號，選取前或後 n分之幾的數據。數據會完整展現出來，只是給相應的數據打標籤；具體要取幾分之幾的數據，須要再嵌套一層根據標籤取出。

1SELECT 
2cookieid,
3createtime,
4pv,
5NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn1,
6NTILE(3) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn2,
7NTILE(4) OVER(ORDER BY createtime) AS rn3
8FROM bigdata_t2 
9ORDER BY cookieid,createtime;

其餘一些窗口函數

lag,lead,first_value,last_value 函數

LAG
LAG(col,n,DEFAULT) 用於統計窗口內往上第n行值第一個參數爲列名，第二個參數爲往上第n行（可選，默認爲1），第三個參數爲默認值（當往上第n行爲NULL時候，取默認值，如不指定，則爲NULL）

 1  SELECT cookieid,
 2  createtime,
 3  url,
 4  ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
 5  LAG(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS last_1_time,
 6  LAG(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS last_2_time 
 7  FROM bigdata_t4;
 8
 9
10  last_1_time: 指定了往上第1行的值，default爲'1970-01-01 00:00:00'  
11                            cookie1第一行，往上1行爲NULL,所以取默認值 1970-01-01 00:00:00
12                            cookie1第三行，往上1行值爲第二行值，2015-04-10 10:00:02
13                            cookie1第六行，往上1行值爲第五行值，2015-04-10 10:50:01
14  last_2_time: 指定了往上第2行的值，爲指定默認值
15                           cookie1第一行，往上2行爲NULL
16                           cookie1第二行，往上2行爲NULL
17                           cookie1第四行，往上2行爲第二行值，2015-04-10 10:00:02
18                           cookie1第七行，往上2行爲第五行值，2015-04-10 10:50:01

LEAD
與LAG相反
LEAD(col,n,DEFAULT) 用於統計窗口內往下第n行值
第一個參數爲列名，第二個參數爲往下第n行（可選，默認爲1），第三個參數爲默認值（當往下第n行爲NULL時候，取默認值，如不指定，則爲NULL）

1  SELECT cookieid,
2  createtime,
3  url,
4  ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
5  LEAD(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS next_1_time,
6  LEAD(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS next_2_time 
7  FROM bigdata_t4;

FIRST_VALUE
取分組內排序後，截止到當前行，第一個值

1  SELECT cookieid,
2  createtime,
3  url,
4  ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
5  FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS first1 
6  FROM bigdata_t4;

LAST_VALUE
取分組內排序後，截止到當前行，最後一個值

1  SELECT cookieid,
2  createtime,
3  url,
4  ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
5  LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1 
6  FROM bigdata_t4;

若是想要取分組內排序後最後一個值，則須要變通一下：

1  SELECT cookieid,
2  createtime,
3  url,
4  ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
5  LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1,
6  FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime DESC) AS last2 
7  FROM bigdata_t4 
8  ORDER BY cookieid,createtime;

特別注意order by

若是不指定ORDER BY，則進行排序混亂，會出現錯誤的結果

1  SELECT cookieid,
2  createtime,
3  url,
4  FIRST_VALUE(url) OVER(PARTITION BY cookieid) AS first2  
5  FROM bigdata_t4;

cume_dist,percent_rank 函數

這兩個序列分析函數不是很經常使用，注意：序列函數不支持WINDOW子句

數據準備

 1  d1,user1,1000
 2  d1,user2,2000
 3  d1,user3,3000
 4  d2,user4,4000
 5  d2,user5,5000
 6
 7  CREATE EXTERNAL TABLE bigdata_t3 (
 8  dept STRING,
 9  userid string,
10  sal INT
11  ) ROW FORMAT DELIMITED 
12  FIELDS TERMINATED BY ',' 
13  stored as textfile;
14
15  加載數據：
16  load data local inpath '/root/hivedata/bigdata_t3.dat' into table bigdata_t3;

CUME_DIST 和order by的排序順序有關係
CUME_DIST 小於等於當前值的行數/分組內總行數 order 默認順序正序升序
好比，統計小於等於當前薪水的人數，所佔總人數的比例

 1  SELECT 
 2  dept,
 3  userid,
 4  sal,
 5  CUME_DIST() OVER(ORDER BY sal) AS rn1,
 6  CUME_DIST() OVER(PARTITION BY dept ORDER BY sal) AS rn2 
 7  FROM bigdata_t3;
 8
 9  rn1: 沒有partition,全部數據均爲1組，總行數爲5，
10       第一行：小於等於1000的行數爲1，所以，1/5=0.2
11       第三行：小於等於3000的行數爲3，所以，3/5=0.6
12  rn2: 按照部門分組，dpet=d1的行數爲3,
13       第二行：小於等於2000的行數爲2，所以，2/3=0.6666666666666666

PERCENT_RANK
PERCENT_RANK 分組內當前行的RANK值-1/分組內總行數-1

 1  SELECT 
 2  dept,
 3  userid,
 4  sal,
 5  PERCENT_RANK() OVER(ORDER BY sal) AS rn1,   --分組內
 6  RANK() OVER(ORDER BY sal) AS rn11,          --分組內RANK值
 7  SUM(1) OVER(PARTITION BY NULL) AS rn12,     --分組內總行數
 8  PERCENT_RANK() OVER(PARTITION BY dept ORDER BY sal) AS rn2 
 9  FROM bigdata_t3;
10
11  rn1: rn1 = (rn11-1) / (rn12-1) 
12         第一行,(1-1)/(5-1)=0/4=0
13         第二行,(2-1)/(5-1)=1/4=0.25
14         第四行,(4-1)/(5-1)=3/4=0.75
15  rn2: 按照dept分組，
16       dept=d1的總行數爲3
17       第一行，(1-1)/(3-1)=0
18       第三行，(3-1)/(3-1)=1

grouping sets,grouping__id,cube,rollup 函數

這幾個分析函數一般用於OLAP中，不能累加，並且須要根據不一樣維度上鑽和下鑽的指標統計，好比，分小時、天、月的UV數。

數據準備

 1  2018-03,2018-03-10,cookie1
 2  2018-03,2018-03-10,cookie5
 3  2018-03,2018-03-12,cookie7
 4  2018-04,2018-04-12,cookie3
 5  2018-04,2018-04-13,cookie2
 6  2018-04,2018-04-13,cookie4
 7  2018-04,2018-04-16,cookie4
 8  2018-03,2018-03-10,cookie2
 9  2018-03,2018-03-10,cookie3
10  2018-04,2018-04-12,cookie5
11  2018-04,2018-04-13,cookie6
12  2018-04,2018-04-15,cookie3
13  2018-04,2018-04-15,cookie2
14  2018-04,2018-04-16,cookie1
15
16  CREATE TABLE bigdata_t5 (
17  month STRING,
18  day STRING, 
19  cookieid STRING 
20  ) ROW FORMAT DELIMITED 
21  FIELDS TERMINATED BY ',' 
22  stored as textfile;
23
24  加載數據：
25  load data local inpath '/root/hivedata/bigdata_t5.dat' into table bigdata_t5;

GROUPING SETS
grouping sets是一種將多個group by 邏輯寫在一個sql語句中的便利寫法。
等價於將不一樣維度的GROUP BY結果集進行UNION ALL。
GROUPING__ID，表示結果屬於哪個分組集合。

 1  SELECT 
 2  month,
 3  day,
 4  COUNT(DISTINCT cookieid) AS uv,
 5  GROUPING__ID 
 6  FROM bigdata_t5 
 7  GROUP BY month,day 
 8  GROUPING SETS (month,day) 
 9  ORDER BY GROUPING__ID;
10
11  grouping_id表示這一組結果屬於哪一個分組集合，
12  根據grouping sets中的分組條件month，day，1是表明month，2是表明day
13
14  等價於 
15  SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM bigdata_t5 GROUP BY month UNION ALL 
16  SELECT NULL as month,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM bigdata_t5 GROUP BY day;

再如：

 1  SELECT 
 2  month,
 3  day,
 4  COUNT(DISTINCT cookieid) AS uv,
 5  GROUPING__ID 
 6  FROM bigdata_t5 
 7  GROUP BY month,day 
 8  GROUPING SETS (month,day,(month,day)) 
 9  ORDER BY GROUPING__ID;
10
11  等價於
12  SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM bigdata_t5 GROUP BY month 
13  UNION ALL 
14  SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM bigdata_t5 GROUP BY day
15  UNION ALL 
16  SELECT month,day,COUNT(DISTINCT cookieid) AS uv,3 AS GROUPING__ID FROM bigdata_t5 GROUP BY month,day;

CUBE
根據GROUP BY的維度的全部組合進行聚合。

 1  SELECT 
 2  month,
 3  day,
 4  COUNT(DISTINCT cookieid) AS uv,
 5  GROUPING__ID 
 6  FROM bigdata_t5 
 7  GROUP BY month,day 
 8  WITH CUBE 
 9  ORDER BY GROUPING__ID;
10
11  等價於
12  SELECT NULL,NULL,COUNT(DISTINCT cookieid) AS uv,0 AS GROUPING__ID FROM bigdata_t5
13  UNION ALL 
14  SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM bigdata_t5 GROUP BY month 
15  UNION ALL 
16  SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM bigdata_t5 GROUP BY day
17  UNION ALL 
18  SELECT month,day,COUNT(DISTINCT cookieid) AS uv,3 AS GROUPING__ID FROM bigdata_t5 GROUP BY month,day;

ROLLUP
是CUBE的子集，以最左側的維度爲主，從該維度進行層級聚合。

 1  好比，以month維度進行層級聚合：
 2  SELECT 
 3  month,
 4  day,
 5  COUNT(DISTINCT cookieid) AS uv,
 6  GROUPING__ID  
 7  FROM bigdata_t5 
 8  GROUP BY month,day
 9  WITH ROLLUP 
10  ORDER BY GROUPING__ID;
11
12  --把month和day調換順序，則以day維度進行層級聚合：
13
14  SELECT 
15  day,
16  month,
17  COUNT(DISTINCT cookieid) AS uv,
18  GROUPING__ID  
19  FROM bigdata_t5 
20  GROUP BY day,month 
21  WITH ROLLUP 
22  ORDER BY GROUPING__ID;
23  （這裏，根據天和月進行聚合，和根據天聚合結果同樣，由於有父子關係，若是是其餘維度組合的話，就會不同）