Hive中的炸裂、窗口函数及示例

轩裳已逝铭崖 2023-09-08 原文

一、炸裂函数

针对一行数据，输出多行数据，主要用于map，array这种的

根据一个例子来看：

friends 是一个array数组
students 是一个map
address是一个struct

1）explode函数

explode函数以array类型数据输入，然后对数组中的数据进行迭代，返回多行结果，一行一个数组元素值。

作用于array：

arrayCol ：array字段的名称
colName1 ：array字段的别名，随便起

-- 语法是这样
select explode(arrayCol) as colName1 from tablename

举例：

select explode(friends) from teacher

作用于map：

mapcol ：map字段名称
key1：key的别名随便起
value1：value的别名随便起

select explode(mapcol) as (key1,value1) from tablename;

举例：

select explode(students)  from teacher

2）posexplode函数

相对于返回多行结果，一行一个数组元素值。会返回元素在集合中的位置

区别：

posexplode只能用于array，而explode可以用于array，map
posexplode还会返回元素在集合中的位置

select posexplode(friends)  from teacher

3）Lateral View

通常与UDTF配合使用，Lateral View可以将UDTF应用到源表的每行数据，将每行数据转换为一行或者多行，并将源表中每行的输出结果与该行连接起来，形成一个虚拟表。

那么，解决的问题到底是什么？

也不用Lateral View ，返回的字段也只能是炸裂的字段，不能进行其他任何操作

sql语法：

⚠️lateral view 一定要在udtf函数的前面
⚠️虚拟表别名一定要加，不然会报错

select [col1,col2,col3……] from 表名 
lateral view udtf(expression) 虚拟表别名

举例：

select name,friends,address  from teacher lateral view explode(friends) p1

4）udtf+lateral view的举例：

create table movie_info(
    movie string,     --电影名称
    category string   --电影分类
) 
row format delimited fields terminated by "\t";


insert overwrite table movie_info
values ("《疑犯追踪》", "悬疑,动作,科幻,剧情"),
       ("《Lie to me》", "悬疑,警匪,动作,心理,剧情"),
       ("《战狼2》", "战争,动作,灾难");

先看原来的数据：

需求是：

select cate,count(*)from
( select movie, cate from
 (select movie,split(category,',') cates from movie_info)
 t1 lateral view explode(cates) tmp as cate
)t2
group by cate;

二、窗口函数

每行数据都能作为一个窗口，每个窗口都会进行范围的计算操作，并将计算结果返回当前行的一个新的字段。
可以是聚合（sum max min）等等操作，也可以是其他函数操作。
⭐️常用窗口可划分为如下几类：聚合函数、跨行取值函数、排名函数。

举例：定义窗口函数基于行，使用聚合函数(sum)的，窗口的规则是字段A 负无穷到当前行。计算过程是怎么样的？

首先对字段A从小到大进行排序。

1.按照排序后的一行一行作为窗口，从第一行开始，第一行的字段A最小，发现自己是最小的，那就当前行做为第一个窗口，计算结果只有本身，结果返回给第一行。

2.从第二行开始继续寻找，负无穷到当前行的，第二个窗口包含第一行、第二行数据，做范围内运算，sum=第一行的字段A+第二行的字段A，结果返回给第二行。

第三个窗口，包含第一行、第二行、第三行数据，那么计算sum=第一行字段A+第二行字段A+第三行字段A。

以此类推。。。。

最后一行的返回的计算结果一定是所有行字段A的总和

那这跟直接sql写sum（）+group by 有什么区别吗？

⭐️区别在于，每行数据都会参与到计算中来，同时得到窗口计算的结果，我们直接写sql语句调用sum（）只会返回最终结果，相当于只有最后一个窗口的值。

⭐️1）窗口规则 between and：

between相当重要的原因是按照什么样的规则定义窗口。

unbounded preceding 表示负无穷
current row 基于行的方式表示当前行，基于值的方式表示当前值
unbounded following 表示正无穷
[num] preceding 基于行的方式表示当前行的前几行，基于值的方式表示当前值减去num
[num] following 基于值的方式表示当前行的后几行，基于值的方式表示当前值加上num

⚠️ and 前后要注意sql的写法

如果前面写，current row，后面不允许写[num] preceding
如果使用基于值的方式，使用 preceding[num]或者[num] following，一定要保证划分窗口的字段属于数字类型

2）基于行

举例：

between unbounded preceding and cureent now 表示负无穷到当前行做为一个窗口
order_id为1的发现order_date 小于自己的没有，只有自己，所以第一个窗口只包含当前行
ordr_id为2的先查找，order_date小于等于当前行的，发现order_id为1的算一个，所以第二个窗口包含两行，是order_id为1的以及order_id为2的。做窗口内的范围内运算（由于是sum，则相加）=20+10
ordr_id为3=10+20+10
以此类推。。。

3）基于值

跟基于行最大的区别是什么？

between规则应用的不一样

同样都是between unbounded preceding and cureent now

基于行的含义是负无穷到当前行，而基于值的含义是负无穷到当前值

也就说基于行会以自己的行为终点，但是基于值会查找某个字段小于等于自己的，自己的行不一定是终点。

如下图所示：

order_id为1的查找order_date小于等于自己的，只有本身，total_amount为自己

order_id为2的查找order_date小于等于自己的，有order_id为1,order_id为2,order_id为3，total_amount为10+20+10

order_id为3的查找order_date小于等于自己的，有order_id为1,order_id为2,order_id为3，total_amount为10+20+10

4）分区：

如果不开分区，那么窗口的计数从整个数据的开始到结尾

如果开了分区，那么一个分区内窗口计数从分区头到分区尾

说白了，第二个分区的实际数据即使在表的中间，也有可能属于第一个窗口

5）基本语法：

基于行的语法：

字段1，字段2 不用说了，就是显示的字段
⭐️ sum(字段3) 是基于窗口做什么操作，这个表示是基于每个窗口对 sum3字段做求和操作
⭐️ over()表示是什么样的窗口

字段2：针对字段2进行划分窗口

rows：表示基于行

between unbounded preceding and current row：表示负无穷到最后一行

select 字段1，字段2, ...,
sum(字段3) over(字段2 rows between unbounded preceding and current row) as 新字段1

基于值的语法：

range：表示基于值
unbounded preceding and unbounded following: 表示负无穷到正无穷

select 字段1，字段2, ...,
sum(字段3) over(字段2 range between unbounded preceding and unbounded following) as 新字段1

加分区:

跟基于行基于值没有关系

partition by 字段1 表示针对字段1做分区

select 字段1，字段2, ...,
sum(字段3) over(partition by 字段1 字段2 range between unbounded preceding and current row) as 新字段1

6）缺省下情况：

就什么都不加，over（字段）相当于 基于行做窗口，范围是负无穷到正无穷,相当于所有字段作为一个窗口
over(order by 字段) 排序后基于值做窗口，范围是负无穷到当前行
⭐️无论基于行还是基于值， 不加order by，没有任何意义（因为你都不知道上一行和下一行的值有没有关联）,做范围内计算也是白瞎

7)聚合函数

支持以下几种，不再多阐述
max
min
sum
avg
count

8)跨行取值函数

分别包括：

lag和lead(不支持自定义窗口)：

lag(): 按照所在行的偏移量取前面的第几行

lead(): 按照所在行的偏移量取后面的第几行

first_value和last_value(支持自定义窗口)：

first_value()：当前窗口内所有行数据中的最小值
last_value(): 当前窗口内所有行数据中的最大值

⚠️要注意，lag和lead不能使用自定义窗口，因为已经规定好了具体某一行与当前行作为一个窗口，不能再定义是负无穷到正无穷这样自定义的规则。

lag和lead：

语法：

lag() :
- 字段3：结果字段
- 1: 取当前行前面的前1行
- ‘1970-01-01’：当前所在行数取不够前面的行，取默认行（比如取前5行，但是当前行数是第四行，就取值为(‘1970-01-01’）的所在行
lead :

同上

语法如下：

select 字段1，字段2，字段3
lag(字段3，向前的具体行数，'默认值') over (.....) 别名1,
lead(字段3，向后的具体行数，'默认值') over (.....) 别名2,
from table

举例：

现在要获取当前订单的上一个订单的时间跟下一个订单的时间（统计一下时间间隔）
可以看到，lag根据order_date做一个跨行，先按照时间排序(over order by )后

取前面的一行，跟后面的一行，分别做为last_date 和 next_date 字段

first_value和last_value：

语法：

first_value(字段3,FALSE) 字段3表示具体取哪个字段的值，false表示允许null的值作为结果，如果窗口内某一行是null值，结果就是null

select 字段1，字段2，字段3
first_value(字段3,FALSE) over(order by 字段3) last_date,
last_value(字段3,FALSE) over(order by 字段3) next_date
from table_name

举例：

获取每个用户订单的最早的下单时间(first_date)
那么就可以先以用户id分区，如下的user_id的就包含三个窗口，每个窗口最小值就是2022-01-01，所以得出user_id所有的订单中最早的日期是2022-01-01

9)排名函数

rank（）对某个值做个排名

dense_rank() 如果相同的值，给一样的名次

row_number() 如果相同的值，按照插入表的顺序分名次

三、综合案例

1.数据准备

1）表结构

order_id	user_id	user_name	order_date	order_amount
1	1001	小元	2022-01-01	10
2	1002	小海	2022-01-02	15
3	1001	小元	2022-02-03	23
4	1002	小海	2022-01-04	29
5	1001	小元	2022-01-05	46

2）建表语句

create table order_info
(
  order_id   string, --订单id
  user_id   string, -- 用户id
  user_name  string, -- 用户姓名
  order_date  string, -- 下单日期
  order_amount int   -- 订单金额
);
insert overwrite table order_info

values ('1', '1001', '小元', '2022-01-01', '10'), 
('2', '1002', '小海', '2022-01-02', '15'),
('3', '1001', '小元', '2022-02-03', '23'), 
('4', '1002', '小海', '2022-01-04', '29'),
('5', '1001', '小元', '2022-01-05', '46'),
('6', '1001', '小元', '2022-04-06', '42'),
('7', '1002', '小海', '2022-01-07', '50'),
('8', '1001', '小元', '2022-01-08', '50'),
('9', '1003', '小辉', '2022-04-08', '62'),
('10', '1003', '小辉', '2022-04-09', '62'),
('11', '1004', '小猛', '2022-05-10', '12'),
('12', '1003', '小辉', '2022-04-11', '75'),
('13', '1004', '小猛', '2022-06-12', '80'),
('14', '1003', '小辉', '2022-04-13', '94');

2. 需求

1）统计每个用户截至每次下单的累积下单总额

期望结果：

order_id	user_id	user_name	order_date	order_amount	sum_so_far
1	1001	小元	2022-01-01	10	10
5	1001	小元	2022-01-05	46	56
8	1001	小元	2022-01-08	50	106
3	1001	小元	2022-02-03	23	129
6	1001	小元	2022-04-06	42	171
2	1002	小海	2022-01-02	15	15
4	1002	小海	2022-01-04	29	44
7	1002	小海	2022-01-07	50	94
9	1003	小辉	2022-04-08	62	62
10	1003	小辉	2022-04-09	62	124
12	1003	小辉	2022-04-11	75	199
14	1003	小辉	2022-04-13	94	293
11	1004	小猛	2022-05-10	12	12
13	1004	小猛	2022-06-12	80	92

（2）需求实现

select order_id,user_id, user_name,order_date,order_amount,
sum(order_amount) 
over(partition by user_id order by order_date 
     rows between unbounded preceding and current row) sum_so_far

from order_info;

2）统计每个用户截至每次下单的当月累积下单总额

(1)期望结果

order_id	user_id	user_name	order_date	order_amount	sum_so_far
1	1001	小元	2022-01-01	10	10
5	1001	小元	2022-01-05	46	56
8	1001	小元	2022-01-08	50	106
3	1001	小元	2022-02-03	23	23
6	1001	小元	2022-04-06	42	42
2	1002	小海	2022-01-02	15	15
4	1002	小海	2022-01-04	29	44
7	1002	小海	2022-01-07	50	94
9	1003	小辉	2022-04-08	62	62
10	1003	小辉	2022-04-09	62	124
12	1003	小辉	2022-04-11	75	199
14	1003	小辉	2022-04-13	94	293
11	1004	小猛	2022-05-10	12	12
13	1004	小猛	2022-06-12	80	80

(2)需求实现

select
   order_id,
   user_id,
   user_name,
   order_date,
   order_amount,
   sum(order_amount) over(partition by user_id,substring(order_date,1,7) order by order_date rows between unbounded preceding and current row) sum_so_far
 from order_info;

3）统计每个用户每次下单距离上次下单相隔的天数（首次下单按0天算）

（1）期望结果

order_id	user_id	user_name	order_date	order_amount	diff
1	1001	小元	2022-01-01	10	0
5	1001	小元	2022-01-05	46	4
8	1001	小元	2022-01-08	50	3
3	1001	小元	2022-02-03	23	26
6	1001	小元	2022-04-06	42	62
2	1002	小海	2022-01-02	15	0
4	1002	小海	2022-01-04	29	2
7	1002	小海	2022-01-07	50	3
9	1003	小辉	2022-04-08	62	0
10	1003	小辉	2022-04-09	62	1
12	1003	小辉	2022-04-11	75	2
14	1003	小辉	2022-04-13	94	2
11	1004	小猛	2022-05-10	12	0
13	1004	小猛	2022-06-12	80	33

（2）需求实现

select order_id,user_id,user_name,order_date,order_amount,
 nvl(datediff(order_date,last_order_date),0) diff
from
(
  select order_id,user_id, user_name,order_date, order_amount,
lag(order_date,1,null) over(partition by user_id order by order_date) last_order_date
  from order_info
)t1

4）查询所有下单记录以及每个用户的每个下单记录所在月份的首末次下单日期

（1）期望结果

order_id	user_id	user_name	order_date	order_amount	first_date	last_date
1	1001	小元	2022-01-01	10	2022-01-01	2022-01-08
5	1001	小元	2022-01-05	46	2022-01-01	2022-01-08
8	1001	小元	2022-01-08	50	2022-01-01	2022-01-08
3	1001	小元	2022-02-03	23	2022-02-03	2022-02-03
6	1001	小元	2022-04-06	42	2022-04-06	2022-04-06
2	1002	小海	2022-01-02	15	2022-01-02	2022-01-07
4	1002	小海	2022-01-04	29	2022-01-02	2022-01-07
7	1002	小海	2022-01-07	50	2022-01-02	2022-01-07
9	1003	小辉	2022-04-08	62	2022-04-08	2022-04-13
10	1003	小辉	2022-04-09	62	2022-04-08	2022-04-13
12	1003	小辉	2022-04-11	75	2022-04-08	2022-04-13
14	1003	小辉	2022-04-13	94	2022-04-08	2022-04-13
11	1004	小猛	2022-05-10	12	2022-05-10	2022-05-10
13	1004	小猛	2022-06-12	80	2022-06-12	2022-06-12

（2）需求实现

select order_id,user_id,user_name,order_date,order_amount,
first_value(order_date) over(partition by user_id,substring(order_date,1,7) order by order_date) first_date,
last_value(order_date) over(partition by user_id,substring(order_date,1,7) order by order_date rows between unbounded preceding and unbounded following) last_date
from order_info;

5）为每个用户的所有下单记录按照订单金额进行排名

（1）期望结果

order_id	user_id	user_name	order_date	order_amount	rk	drk	rn
8	1001	小元	2022-01-08	50	1	1	1
5	1001	小元	2022-01-05	46	2	2	2
6	1001	小元	2022-04-06	42	3	3	3
3	1001	小元	2022-02-03	23	4	4	4
1	1001	小元	2022-01-01	10	5	5	5
7	1002	小海	2022-01-07	50	1	1	1
4	1002	小海	2022-01-04	29	2	2	2
2	1002	小海	2022-01-02	15	3	3	3
14	1003	小辉	2022-04-13	94	1	1	1
12	1003	小辉	2022-04-11	75	2	2	2
9	1003	小辉	2022-04-08	62	3	3	3
10	1003	小辉	2022-04-09	62	3	3	4
13	1004	小猛	2022-06-12	80	1	1	1
11	1004	小猛	2022-05-10	12	2	2	2

（2）需求实现

select order_id,user_id,user_name,order_date,order_amount,
   rank() over(partition by user_id order by order_amount desc) rk,
   dense_rank() over(partition by user_id order by order_amount desc) drk,
   row_number() over(partition by user_id order by order_amount desc) rn
 from order_info;

炸裂 Hive span class token 大数据数据库

有关Hive中的炸裂、窗口函数及示例的更多相关文章

ruby - 如何从 ruby 中的字符串运行任意对象方法？ - 2
总的来说，我对ruby还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用
ruby - 其他文件中的 Rake 任务 - 2
我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时
ruby-on-rails - Ruby net/ldap 模块中的内存泄漏 - 2
作为我的Rails应用程序的一部分，我编写了一个小导入程序，它从我们的LDAP系统中吸取数据并将其塞入一个用户表中。不幸的是，与LDAP相关的代码在遍历我们的32K用户时泄漏了大量内存，我一直无法弄清楚如何解决这个问题。这个问题似乎在某种程度上与LDAP库有关，因为当我删除对LDAP内容的调用时，内存使用情况会很好地稳定下来。此外，不断增加的对象是Net::BER::BerIdentifiedString和Net::BER::BerIdentifiedArray，它们都是LDAP库的一部分。当我运行导入时，内存使用量最终达到超过1GB的峰值。如果问题存在，我需要找到一些方法来更正我的代
ruby-on-rails - Rails 3 中的多个路由文件 - 2
Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？最佳答案在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题
ruby-on-rails - Rails - 一个 View 中的多个模型 - 2
我需要从一个View访问多个模型。以前，我的links_controller仅用于提供以不同方式排序的链接资源。现在我想包括一个部分(我假设)显示按分数排序的顶级用户(@users=User.all.sort_by(&:score))我知道我可以将此代码插入每个链接操作并从View访问它，但这似乎不是“ruby方式”，我将需要在不久的将来访问更多模型。这可能会变得很脏，是否有针对这种情况的任何技术？注意事项:我认为我的应用程序正朝着单一格式和动态页面内容的方向发展，本质上是一个典型的网络应用程序。我知道before_filter但考虑到我希望应用程序进入的方向，这似乎很麻烦。最终从任何
ruby-on-rails - Rails 3.2.1 中 ActionMailer 中的未定义方法 'default_content_type=' - 2
我在我的项目中添加了一个系统来重置用户密码并通过电子邮件将密码发送给他，以防他忘记密码。昨天它运行良好(当我实现它时)。当我今天尝试启动服务器时，出现以下错误。=>BootingWEBrick=>Rails3.2.1applicationstartingindevelopmentonhttp://0.0.0.0:3000=>Callwith-dtodetach=>Ctrl-CtoshutdownserverExiting/Users/vinayshenoy/.rvm/gems/ruby-1.9.3-p0/gems/actionmailer-3.2.1/lib/action_mailer
ruby-on-rails - Rails 应用程序中的 Rails : How are you using application_controller. rb 是新手吗？ - 2
刚入门rails，开始慢慢理解。有人可以解释或给我一些关于在application_controller中编码的好处或时间和原因的想法吗？有哪些用例。您如何为Rails应用程序使用应用程序Controller？我不想在那里放太多代码，因为据我了解，每个请求都会调用此Controller。这是真的？最佳答案 ApplicationController实际上是您应用程序中的每个其他Controller都将从中继承的类(尽管这不是强制性的)。我同意不要用太多代码弄乱它并保持干净整洁的态度，尽管在某些情况下ApplicationContr
ruby-on-rails - form_for 中不在模型中的自定义字段 - 2
我想向我的Controller传递一个参数，它是一个简单的复选框，但我不知道如何在模型的form_for中引入它，这是我的观点:{:id=>'go_finance'}do|f|%>Transferirde:para:Entrada:"input",:placeholder=>"Quantofoiganho?"%>Saída:"output",:placeholder=>"Quantofoigasto?"%>Nota:我想做一个额外的复选框，但我该怎么做，模型中没有一个对象，而是一个要检查的对象，以便在Controller中创建一个ifelse，如果没有检查，请帮助我，非常感谢,谢谢
ruby - rspec 需要 .rspec 文件中的 spec_helper - 2
我注意到像bundler这样的项目在每个specfile中执行requirespec_helper我还注意到rspec使用选项--require，它允许您在引导rspec时要求一个文件。您还可以将其添加到.rspec文件中，因此只要您运行不带参数的rspec就会添加它。使用上述方法有什么缺点可以解释为什么像bundler这样的项目选择在每个规范文件中都需要spec_helper吗？最佳答案我不在Bundler上工作，所以我不能直接谈论他们的做法。并非所有项目都checkin.rspec文件。原因是这个文件，通常按照当前的惯例，只
ruby-on-rails - active_admin 目录中的常量警告重新声明 - 2
我正在使用active_admin，我在Rails3应用程序的应用程序中有一个目录管理，其中包含模型和页面的声明。时不时地我也有一个类，当那个类有一个常量时，就像这样:classFooBAR="bar"end然后，我在每个必须在我的Rails应用程序中重新加载一些代码的请求中收到此警告:/Users/pupeno/helloworld/app/admin/billing.rb:12:warning:alreadyinitializedconstantBAR知道发生了什么以及如何避免这些警告吗？最佳答案在纯Ruby中:classA

Hive中的炸裂、窗口函数及示例

一、炸裂函数

1）explode函数

2）posexplode函数

3）Lateral View

4）udtf+lateral view的举例：

二、窗口函数

⭐️1）窗口规则 between and：

2）基于行

3）基于值

4）分区：

5）基本语法：

基于行的语法：

基于值的语法：

加分区:

6）缺省下情况：

7)聚合函数

8)跨行取值函数

9)排名函数

三、综合案例

1.数据准备

2. 需求

有关Hive中的炸裂、窗口函数及示例的更多相关文章

随机推荐