官方文档:LanguageManual WindowingAndAnalytics - Apache Hive - Apache Software Foundation
先看看
对于窗口函数,最重要的是理解窗口是怎么被选择的,窗口的选择范围是在over内定义的的,包含三部分:
总结下来就是,partition by确定池子有多大,order by和窗口子句确定怎么在这个池子里捞鱼
1. partition by,确定窗口范围,不写的话,就是全部行,全部行作为一个分区
2. order by,有2个功能,第1个是排序;第2个是没有窗口子句的时候,指定了 ORDER BY,默认使用分区内第一行到当前值,但是操作的列出现相同值,结果就会相同,但是单独指定窗口子句的话就不会出现相同值,见sum() sample3和sample4。如果指定了窗口子句,order by的窗口子句功能就失效了
2.1.有 partition by,则分区内排序
2.2.没有 partition by,则全部数据排序
3. 窗口子句,单独定义窗口;
如果不指定窗口子句,则默认采用以下的窗口定义:
3.1. 若不指定 ORDER BY,默认使用分区内所有行
ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING.
3.2. 若指定了 ORDER BY,默认使用分区内第一行到当前值
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW.
窗口函数执行顺序
窗口函数在group by聚合之后,因此可以将数据先去重,再使用窗口函数
1. 排序
第一个括号内参数说明:无参数
窗口函数 | 返回类型 | 函数功能说明 |
---|---|---|
ROW_NUMBER() | BIGINT | 根据具体的分组和排序,为每行数据生成一个起始值等于1的唯一序列数 |
RANK() | BIGINT | 对组中的数据进行排名,如果名次相同,则排名也相同,但是下一个名次的排名序号会出现不连续。 |
DENSE_RANK() dense是稠密的意思,可以引申记忆 | BIGINT | dense_rank函数的功能与rank函数类似,dense_rank函数在生成序号时是连续的,而rank函数生成的序号有可能不连续。当出现名次相同时,则排名序号也相同。而下一个排名的序号与上一个排名序号是连续的。 |
PERCENT_RANK() | DOUBLE | 计算给定行的百分比排名。可以用来计算超过了百分之多少的人;排名计算公式为:(当前行的rank值-1)/(分组内的总行数-1) |
CUME_DIST() | DOUBLE | 计算某个窗口或分区中某个值的累积分布。假定升序排序,则使用以下公式确定累积分布:小于等于当前值x的行数 / 窗口或partition分区内的总行数。其中,x 等于 order by 子句中指定的列的当前行中的值 |
NTILE() | INT | 已排序的行划分为大小尽可能相等的指定数量的排名的组,并返回给定行所在的组的排名。如果切片不均匀,默认增加第一个切片的分布,不支持ROWS BETWEEN |
percent_rank
适用于计算百分等级,超过多少学生
2.聚合
第一个括号内参数说明:1个参数
第一个参数--操作哪一列,必填
窗口函数 | 返回类型 | 函数功能说明 |
---|---|---|
AVG() | 参数类型为DECIMAL的返回类型为DECIMAL,其他为DOUBLE | AVG 窗口函数返回输入表达式值的平均值,忽略 NULL 值。 |
COUNT() | BIGINT | COUNT 窗口函数计算输入行数。 COUNT(*) 计算目标表中的所有行,包括Null值;COUNT(expression) 计算特定列或表达式中具有非 NULL 值的行数。 |
MAX() | 与传参类型一致 | MAX窗口函数返回表达式在所有输入值中的最大值,忽略 NULL 值。 |
MIN() | 与传参类型一致 | MIN窗口函数返回表达式在所有输入值中的最小值,忽略 NULL 值。 |
SUM() | 针对传参类型为DECIMAL的,返回类型一致;除此之外的浮点型为DOUBLE;传参类型为整数类型的,返回类型为BIGINT | SUM窗口函数返回所有输入值的表达式总和,忽略 NULL 值。 |
sum
3.取值
窗口函数 | 返回类型 | 函数功能说明 |
---|---|---|
LAG() | 与lead相反,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. | |
LEAD() | 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. | |
FIRST_VALUE | 取分组内排序后,截止到当前行,第一个值 | |
LAST_VALUE | 取分组内排序后,截止到当前行,最后一个值 |
lag向上取,lead向下取
第一个括号内参数说明:3个参数
第一个参数--操作哪一列,必填
第二个参数--向前取几行,不写默认1行
第三个参数--取不到后默认值,不写则为null
first_value取第1个值
第一个括号内参数说明:2个参数
第一个参数--操作哪一列,必填
第二个参数--是否跳过null值,不写默认false,设置true则跳过null值
last_value取最后1个值
参数同first_value,取分区内最后一行的值,当前行是每一次计算的最后一行哦!所以和first_value不一样的地方是first_value求分区第一个,第一个是不变的。但是求last_value,最后一个值是变化的。
last_value默认的窗口是 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
如果表示当前行永远是最后一个值,需改成RANGE BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING
。
4.关于order by字段值相同时
这个例子是看不同时间下直播间的在线人数,num=1代表直播间人数+1,反之。
sum(num)over(PARTITION BY live_id ORDER BY in_datetime)
以前一直不理解为什么order by指定后,如果order by后的字段存在相同的值,其结果都是一样的有什么用啊。比如下面live_id为1的分区,order by的字段是in_datetime,前几个时间都是相同的,所以第一个累加值num_sofar是一个值,都是1。
ORDER BY字段具有相同值的时候:
- 状态显示:按照ORDER BY in_datetime排序,表示按照时间来捞鱼,那么显示的是在某个时间下的数值状态。某天具有多个值,将某天的最后状态值作为结果。无论取那一条出来,都可以准确获得当天最后的状态。
- 过程显示:如果按照ORDER BY in_datetime ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW,用窗口子句指定了捞鱼规则,是过程显示
反而加了窗口子句变得不合理了,15-19条记录,虽然最后结果都是1,但是第二个num_sofar明显不合理,直播间最多1个人,根本没有大于1个人的时候。
这个例子也比较特殊
5.案例
去重
背景:员工表里有重复的员工,去重
思路:使用row_number排序窗口函数,按照员工id分区,取排名=1的行
数仓拉链表
数仓增量抽取的数据和历史数据合并,使用排序窗口函数区分有无update数据
环比
这个简单使用lag窗口或者lead窗口函数都行
连续登录天数
这个比较有意思,如果你是想要求指定的连续登录天数,可以使用lag或者lead窗口函数,也可以使用row_number窗口函数。如果是不确定登录天数,想要分析用户登录行为数据,那么使用row_number窗口函数比较好,可以存一个临时表,不用反复计算。
row_number的思路就是将分区内排序,用时间减去排序,得到相同日期的就是连续登录