hive窗口函数/分析函数

在sql中有一类函数叫做聚合函数,例如sum()、avg()、max()等等,这类函数可以将多行数据按照规则聚集为一行,一般来讲聚集后的行数是要少于聚集前的行数的。但是有时我们想要既显示聚集前的数据,又要显示聚集后的数据,这时我们便引入了窗口函数。窗口函数又叫OLAP函数/分析函数，窗口函数兼具分组和排序功能。

窗口函数最重要的关键字是 partition by 和 order by。

具体语法如下：over (partition by xxx order by xxx)

sum,avg,min,max 函数

准备数据

 1建表语句:
 2create table bigdata_t1(
 3cookieid string,
 4createtime string,   --day 
 5pv int
 6) row format delimited 
 7fields terminated by ',';
 8
 9加载数据：
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开启智能本地模式
21SET hive.exec.mode.local.auto=true;

SUM函数和窗口函数的配合使用：结果和ORDER BY相关,默认为升序。

 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 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: 分组内从起点到当前行的pv累积，如，11号的pv1=10号的pv+11号的pv, 12号=10号+11号+12号
33pv2: 同pv1
34pv3: 分组内(cookie1)所有的pv累加
35pv4: 分组内当前行+往前3行，如，11号=10号+11号， 12号=10号+11号+12号，
36                           13号=10号+11号+12号+13号， 14号=11号+12号+13号+14号
37pv5: 分组内当前行+往前3行+往后1行，如，14号=11号+12号+13号+14号+15号=5+7+3+2+4=21
38pv6: 分组内当前行+往后所有行，如，13号=13号+14号+15号+16号=3+2+4+4=13，
39                             14号=14号+15号+16号=2+4+4=10

如果不指定rows between,默认为从起点到当前行;

如果不指定order by，则将分组内所有值累加;

关键是理解rows between含义,也叫做window子句：

preceding：往前

following：往后

current row：当前行

unbounded：起点

unbounded preceding 表示从前面的起点

unbounded following：表示到后面的终点

AVG，MIN，MAX，和SUM用法一样。

row_number,rank,dense_rank,ntile函数

准备数据

 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加载数据：
25load data local inpath '/root/hivedata/bigdata_t2.dat' into table bigdata_t2;

• ROW_NUMBER()使用

  ROW_NUMBER()从1开始，按照顺序，生成分组内记录的序列。

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() 生成数据项在分组中的排名，排名相等会在名次中留下空位 。

  DENSE_RANK()生成数据项在分组中的排名，排名相等会在名次中不会留下空位。

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

  有时会有这样的需求:如果数据排序后分为三部分，业务人员只关心其中的一部分，如何将这中间的三分之一数据拿出来呢?NTILE函数即可以满足。

  ntile可以看成是：把有序的数据集合平均分配到指定的数量（num）个桶中, 将桶号分配给每一行。如果不能平均分配，则优先分配较小编号的桶，并且各个桶中能放的行数最多相差1。

  然后可以根据桶号，选取前或后 n分之几的数据。数据会完整展示出来，只是给相应的数据打标签；具体要取几分之几的数据，需要再嵌套一层根据标签取出。

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;

其他一些窗口函数

lag,lead,first_value,last_value 函数

• LAG  
  LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为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为'1970-01-01 00:00:00'  
11                            cookie1第一行，往上1行为NULL,因此取默认值 1970-01-01 00:00:00
12                            cookie1第三行，往上1行值为第二行值，2015-04-10 10:00:02
13                            cookie1第六行，往上1行值为第五行值，2015-04-10 10:50:01
14  last_2_time: 指定了往上第2行的值，为指定默认值
15                           cookie1第一行，往上2行为NULL
16                           cookie1第二行，往上2行为NULL
17                           cookie1第四行，往上2行为第二行值，2015-04-10 10:00:02
18                           cookie1第七行，往上2行为第五行值，2015-04-10 10:50:01

• LEAD

  与LAG相反
  LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值
  第一个参数为列名，第二个参数为往下第n行（可选，默认为1），第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为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

  取分组内排序后，截止到当前行，第一个值

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

  取分组内排序后，截止到当前行，最后一个值

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;

如果想要取分组内排序后最后一个值，则需要变通一下：

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;

特别注意order  by

如果不指定ORDER BY，则进行排序混乱，会出现错误的结果

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 函数

这两个序列分析函数不是很常用，注意： 序列函数不支持WINDOW子句

• 数据准备

 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  加载数据：
16  load data local inpath '/root/hivedata/bigdata_t3.dat' into table bigdata_t3;

• CUME_DIST  和order by的排序顺序有关系

  CUME_DIST 小于等于当前值的行数/分组内总行数  order 默认顺序 正序 升序
  比如，统计小于等于当前薪水的人数，所占总人数的比例

 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: 没有partition,所有数据均为1组，总行数为5，
10       第一行：小于等于1000的行数为1，因此，1/5=0.2
11       第三行：小于等于3000的行数为3，因此，3/5=0.6
12  rn2: 按照部门分组，dpet=d1的行数为3,
13       第二行：小于等于2000的行数为2，因此，2/3=0.6666666666666666

• PERCENT_RANK

  PERCENT_RANK 分组内当前行的RANK值-1/分组内总行数-1

 1  SELECT 
 2  dept,
 3  userid,
 4  sal,
 5  PERCENT_RANK() OVER(ORDER BY sal) AS rn1,   --分组内
 6  RANK() OVER(ORDER BY sal) AS rn11,          --分组内RANK值
 7  SUM(1) OVER(PARTITION BY NULL) AS rn12,     --分组内总行数
 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分组，
16       dept=d1的总行数为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 函数

这几个分析函数通常用于OLAP中，不能累加，而且需要根据不同维度上钻和下钻的指标统计，比如，分小时、天、月的UV数。

• 数据准备

 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  加载数据：
25  load data local inpath '/root/hivedata/bigdata_t5.dat' into table bigdata_t5;

• GROUPING SETS

  grouping sets是一种将多个group by 逻辑写在一个sql语句中的便利写法。

  等价于将不同维度的GROUP BY结果集进行UNION ALL。

  GROUPING__ID，表示结果属于哪一个分组集合。

 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表示这一组结果属于哪个分组集合，
12  根据grouping sets中的分组条件month，day，1是代表month，2是代表day
13
14  等价于 
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  等价于
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

  根据GROUP BY的维度的所有组合进行聚合。

 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  等价于
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，以最左侧的维度为主，从该维度进行层级聚合。

 1  比如，以month维度进行层级聚合：
 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调换顺序，则以day维度进行层级聚合：
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  （这里，根据天和月进行聚合，和根据天聚合结果一样，因为有父子关系，如果是其他维度组合的话，就会不一样）

五分钟学大数据

文:园陌

长按右侧二维码

收获更多技术