hive窗口函數/分析函數詳細剖析

hive窗口函數/分析函數

在sql中有一類函數叫做聚合函數,例如sum()、avg()、max()等等,這類函數可以將多行數據按照規則聚集爲一行,一般來講聚集後的行數是要少於聚集前的行數的。但是有時我們想要既顯示聚集前的數據,又要顯示聚集後的數據,這時我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。

窗口函數最重要的關鍵字是 partition byorder by。

具體語法如下:over (partition by xxx order by xxx)

sum,avg,min,max 函數

準備數據

 1建表語句:
2create table bigdata_t1(
3cookieid string,
4createtime string,   --day 
5pv int
6row 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。

 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 rowas 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 rowas 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 followingas 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 followingas 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)所有的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+往後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+往後所有行,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






































如果不指定rows between,默認爲從起點到當前行;

如果不指定order by,則將分組內所有值累加;

關鍵是理解rows between含義,也叫做window子句

preceding:往前

following:往後

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用法一樣。

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
20ROW 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 descAS 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 descAS rn1,
6DENSE_RANK() OVER(PARTITION BY cookieid ORDER BY pv descAS rn2,
7ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESCAS rn3 
8FROM bigdata_t2 
9WHERE cookieid = 'cookie1';








  • NTILE

    有時會有這樣的需求:如果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函數即可以滿足。

    ntile可以看成是: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。如果不能平均分配,則優先分配較小編號的桶,並且各個桶中能放的行數最多相差1。

    然後可以根據桶號,選取前或後 n分之幾的數據。數據會完整展示出來,只是給相應的數據打標籤;具體要取幾分之幾的數據,需要再嵌套一層根據標籤取出。

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








其他一些窗口函數

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,2OVER(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,因此取默認值 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,2OVER(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(urlOVER(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(urlOVER(PARTITION BY cookieid ORDER BY createtime) AS last1 
6  FROM bigdata_t4;





如果想要取分組內排序後最後一個值,則需要變通一下:

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







特別注意order  by

如果不指定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(urlOVER(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常用,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
    比如,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,所有數據均爲1組,總行數爲5,
10       第一行:小於等於1000的行數爲1,因此,1/5=0.2
11       第三行:小於等於3000的行數爲3,因此,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,因此,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(1OVER(PARTITION BY NULLAS 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

這幾個分析函數通常用於OLAP中,不能累加,而且需要根據不同維度上鑽和下鑽的指標統計,比如,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。

    等價於將不同維度的GROUP BY結果集進行UNION ALL。

    GROUPING__ID,表示結果屬於哪一個分組集合。

 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個分組集合,
12  根據grouping sets中的分組條件month,day,1是代表month,2是代表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的維度的所有組合進行聚合。

 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  比如,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,和根據天聚合結果一樣,因爲有父子關係,如果是其他維度組合的話,就會不一樣)






















搜索公衆號:五分鐘學大數據,獲取大數據學習祕籍,你的大數據能力將實現質的飛躍

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章