本文首發於:大數據每日嗶嗶-Hive 分析函數
應用場景
(1)用於分區排序
(2)Top N
(3)層次查詢
常用分析函數
分析函數 | 描述 |
---|---|
RANK | 返回數據項在分區中的排名。排名值序列可能會有間隔 |
DENSE_RANK | 返回數據項在分區中的排名。排名值序列是連續的,沒有間隔 |
PERCENT_RANK | 計算當前行的百分比排名:(x - 1)/(窗口分區中的行數 - 1) |
CUME_DIST | 統計小於或等於當前值的行數佔總行數的比例: x/分區行數 |
ROW_NUMBER | 確認分區中當前行的序號 |
NTILE | 將每個分區的行儘可能均勻地劃分爲指定數量的分組 |
語法:analytics_functions over() clause
準備了一個表,用於測試:
create table test.gid_pv(
gid string comment '商品ID'
,dt string comment '日期'
,pv string comment '訪問次數'
) comment '商品訪問次數'
row format delimited
fields terminated by ','
collection items terminated by '\n'
stored as textfile
;
數據如下:
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-10 1
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-11 5
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-12 7
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-13 3
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-14 2
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-15 4
0006D2BC-4DF9-4C0B-83AD-0183789E78D4 2020-01-16 4
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-10 2
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-11 9
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-12 3
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-13 1
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-14 1
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-15 8
993BD7AD-3B62-BA0C-15AE-A14B85921889 2020-01-16 2
RANK函數會返回數據項在分區中的排名。OVER子句中的ORDER BY語句來確定根據哪個值進行排名。如果多行中的排序值相同,則會有相同的排名。如果有排名相同的情況下,則會在名次中留下空位。例如,如果兩行排名爲3,則下一個排名爲5。DENSE_RANK()不會出現這種情況,具體可以對比一下
select
gid
,dt
,pv
,rank() over (partition by gid order by pv desc) as pre_total_pv_rank
,dense_rank() over (partition by gid order by pv desc) as pre_total_pv_dense_rank
from test.gid_pv
order by
gid
,dt
;
上面的兩個是排序函數,如果只想給當前行編個號呢?
select
gid
,dt
,pv
,row_number() over (partition by gid order by pv) as pre_total_pv_row_number
from test.gid_pv
order by
gid
,dt
;
CUME_DIST函數計算分區中當前行的相對排名:(前面的行數)/(分區中的總行數)
如果有相等值的行(取決於OVER子句中的order by):(前面的行數+相等值行數)/(分區中的總行數)
一般默認升序即可。
select
gid
,dt
,pv
-- (前面的行數)/(分區中的總行數),如果有相等值的行:(前面的行數+相等值行數)/(分區中的總行數)
,cume_dist() over (partition by gid order by pv) as pre_total_pv_cume_dist
from test.gid_pv
order by
gid
,dt
;
結果數據:
如果想把某個分組內分成比較均勻的幾份,可以使用 ntile 函數:(比如想要統計消費金額前 50%的用戶的平均消費,可以按照消費金額排序,分成 2 份。)
select
gid
,dt
,pv
,ntile(4) over (partition by gid order by pv) as pre_total_pv_ntile
from test.gid_pv
order by
gid
,dt
;
參考
https://blog.csdn.net/SunnyYoona/article/details/56488568
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics
https://jordenbruce.com/2019/12/09/hql-function-analytic/