一、特征分析与偏移分析
什么是窗口函数呢?
- Window Function又称为窗口函数、分析函数。
- 窗口函数与聚合函数类似,但是每一行数据都生成一个结果。
- 聚合函数(比如sum、avg、max等)可以将多行数据按照规定聚合为一
行,一般来讲聚集后的行数要少于聚集前的行数。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,这时便引入了窗口函数。 - 窗口函数是在select时执行的,位于order by之前。
1.累计计算窗口函数
1、sum(…) over(……)
需求1-1:对2018年公司的支付总额按月度累计进行分析
SELECT a.month,a.pay_amount,
sum(a.pay_amount) over(order by a.month)
FROM
(SELECT month(dt) month,
sum(pay_amount) pay_amount
FROM user_trade
WHERE year(dt)=2018
GROUP BY month(dt))a;
需求1-2:对2017和2018年公司的支付总额按月度累计进行分析,按年度进行汇总
SELECT a.year,
a.month,
a.pay_amount,
sum(a.pay_amount) over(partition by a.year order by
a.month )
FROM
(SELECT year(dt) year,
month(dt) month,
sum(pay_amount) pay_amount
FROM user_trade
WHERE year(dt) in (2017,2018)
GROUP BY year(dt),
month(dt))a;
需求2:对2018年每个月的近三个月进行移动地求平均支付金额
SELECT a.month,
a.pay_amount,
avg(a.pay_amount) over(order by a.month rows between 2 preceding and current row)
FROM
(SELECT month(dt) month,sum(pay_amount) pay_amount
FROM user_trade
WHERE year(dt)=2018
GROUP BY month(dt))a;
3、语法总结
sum(…A…) over(partition by …B… order by …C… rows between …
D1… and …D2…)
avg(…A…) over(partition by …B… order by …C… rows between …D1…
and …D2…)
A:需要被加工的字段名称
B:分组的字段名称
C:排序的字段名称
D:计算的行数范围
rows between unbounded preceding and current row——包括
本行和之前所有的行
rows between current row and unbounded following——包括
本行和之后所有的行
rows between 3 preceding and current row——包括本行以内和
前三行
rows between 3 preceding and 1 following——从前三行到下一行
(5行)
2.分区排序窗口函数
row_number() over(……)、rank() over(……)、
dense_rank() over(……)
这三个函数的作用都是返回相应规则的排序序号
row_number() over(partition by …A… order by …B… )
rank() over(partition by …A… order by …B… )
dense_rank() over(partition by …A… order by …B… )
A:分组的字段名称
B:排序的字段名称
注意:row_number()的这个括号内是不加任何字段名称的,rank() 和
dense_rank() 同理。
row_number:它会为查询出来的每一行记录生成一个序号,依次排
序且不会重复。
rank&dense_rank:dense_rank函数出现相同排名时,将不跳过相
同排名号,rank值紧接上一次的rank值。在各个分组内,rank()是跳跃
排序,有两个第一名时接下来就是第三名,dense_rank()是连续排序,
有两个第一名时仍然跟着第二名。
需求3:对2019年1月份用户的购买爱好进行分析
参考实现:2019年1月,用户购买商品品类数量的排名
SELECT user_name,
count(distinct goods_category),
row_number() over(order by count(distinct goods_category)),
rank() over(order by count(distinct goods_category)),
dense_rank() over(order by count(distinct goods_category))
FROM user_trade
WHERE substr(dt,1,7)='2019-01'
GROUP BY user_name;
需求4:选出2019年支付金额排名在第10、20、30名的用户
SELECT a.user_name,a.pay_amount,a.dr
FROM
(SELECT user_name,
sum(pay_amount) pay_amount,dense_rank() over(order by sum(pay_amount)desc) dr
FROM user_trade
WHERE year(dt)=2019
GROUP BY user_name)a
WHERE a.dr in (10,20,30);
3. 分组排序窗口函数
ntile(n) over(……)
ntile(n) over(partition by …A… order by …B… )
n:切分的片数
A:分组的字段名称
B:排序的字段名称
- NTILE(n):用于将分组数据按照顺序切分成n片,返回当前切片值
- NTILE不支持ROWS BETWEEN,比如 NTILE(2) OVER(PARTITION BY
…… ORDER BY …… ROWS BETWEEN 3 PRECEDING AND CURRENT
ROW) - 如果切片不均匀,默认增加到第一个切片的分布
需求5:将2019年1月的支付用户,按照支付金额分成5组
SELECT user_name,
sum(pay_amount) pay_amount,
ntile(5) over(order by sum(pay_amount) desc) level
FROM user_trade
WHERE substr(dt,1,7)='2019-01'
GROUP BY user_name;
需求6:选出2019年退款金额排名前10%的用户
SELECT a.user_name,a.refund_amount,a.level
FROM
(SELECT user_name,sum(refund_amount) refund_amount,
ntile(10) over(order by sum(refund_amount) desc) level
FROM user_refund
WHERE year(dt)=2019
GROUP BY user_name)a
WHERE a.level=1;
4.偏移分析窗口函数
Lag和Lead分析函数可以在同一次查询中取出同一字段的前N行的数据
(Lag)和后N行的数据(Lead)作为独立的列。
在实际应用当中,若要用到取今天和昨天的某字段差值时,Lag和Lead函数的应用就显得尤为重要。当然,这种操作可以用表的自连接实现,但是LAG和LEAD与left join、right join等自连接相比,效率更高,SQL更简洁。
lag(exp_str,offset,defval) over(partion by ……order by ……)
lead(exp_str,offset,defval) over(partion by ……order by ……)
- exp_str是字段名称。
- offset是偏移量,即是上1个或上N个的值,假设当前行在表中排在第5行,则offset 为3,则表示我们所要找的数据行就是表中的第2行(即5-3=2)。offset默认值为1。
- defval默认值,当这两个函数取上N/下N个值,当在表中从当前行位置向前数N行已经超出了表的范围时,lag()函数将defval这个参数值作为函数的返回值,若没有指定默认值,则返回NULL,那么在数学运算中,总要给一个默认值才不会出错。
需求7:支付时间间隔超过100天的用户数【跨时间潜在VIP用户流失分
析】
SELECT count(distinct user_name)
FROM
(SELECT user_name,dt,
lead(dt) over(partition by user_name order by dt) as lead_dt
FROM user_trade
WHERE dt>'0' )a
WHERE a.lead_dt is not null
and datediff(a.lead_dt,a.dt)>100;
需求8:每个城市,不同性别,2018年支付金额最高的TOP3用户
SELECT c.user_name,c.city,c.sex,c.pay_amount,c.rank
FROM
(SELECT a.user_name,b.city,b.sex,a.pay_amount,
row_number() over(partition by b.city,b.sex
order by a.pay_amount desc) rank
FROM
(SELECT user_name,
sum(pay_amount) pay_amount
FROM user_trade
WHERE year(dt)=2018
GROUP BY user_name)a
LEFT JOIN user_info b
on a.user_name=b.user_name)c
WHERE c.rank<=3;
需求9:每个手机品牌退款金额前25%的用户【跨手机品牌用户退款分析】
SELECT *
FROM
(SELECT a.user_name,
extra2['phonebrand'] as phonebrand,
a.refund_amount,
ntile(4) over(partition by
extra2['phonebrand'] order by a.refund_amount desc) level
FROM
(SELECT user_name,
sum(refund_amount) refund_amount
FROM user_refund
WHERE dt>'0'
GROUP BY user_name)a
LEFT JOIN user_info b
on a.user_name=b.user_name)c
WHERE c.level=1;
企业级优化技巧
技巧1:去重技巧——用group by来替换distinct
–在2019年购买后又退款的用户–
SELECT a.user_name
FROM
(SELECT distinct user_name
FROM user_trade
WHERE year(dt)=2019)a
JOIN
(SELECT distinct user_name
FROM user_refund
WHERE year(dt)=2019)b on a.user_name=b.user_name;
优化写法:
SELECT a.user_name
FROM
(SELECT user_name
FROM user_trade
WHERE year(dt)=2019
GROUP BY user_name)a
JOIN
(SELECT user_name
FROM user_refund
WHERE year(dt)=2019
GROUP BY user_name)b on a.user_name=b.user_name;
技巧2:聚合技巧——利用窗口函数grouping sets、cube、rollup
1、grouping sets
–性别、城市、等级用户分布–
SELECT sex,
city,
level,
count(distinct user_id)
FROM user_info
GROUP BY sex,city,level
GROUPING SETS (sex,city,level);
注意:聚合结果均在同一列,分类字段用不同列来进行区分
GROUPING SETS():在group by查询中,根据不同的维度组合进行聚合,等价于
将不同维度的group by结果集进行union all。聚合规则在括号中进行指定。
2、cube
cube:根据group by 维度的所有组合进行聚合
–性别、城市、等级的各种组合的用户分布–
SELECT sex,
city,
level,
count(distinct user_id)
FROM user_info
GROUP BY sex,city,level
GROUPING SETS (sex,city,level,(sex,city),(sex,level),
(city,level),(sex,city,level));
优化写法
–性别、城市、等级的各种组合的用户分布–
SELECT sex,
city,
level,
count(distinct user_id)
FROM user_info
GROUP BY sex,city,level
with cube;
3、rollup
rollup:以最左侧的维度为主,进行层级聚合,是cube的子集。
举例:
如果我想同时计算出,每个月的支付金额,以及每年的总支付金额,该怎
么办?
SELECT a.dt,
sum(a.year_amount),
sum(a.month_amount)
FROM
(SELECT substr(dt,1,4) as dt,
sum(pay_amount) year_amount,
0 as month_amount
FROM user_trade
WHERE dt>'0'
GROUP BY substr(dt,1,4)
UNION ALL
SELECT substr(dt,1,7) as dt,
0 as year_amount,
sum(pay_amount) as month_amount
FROM user_trade
WHERE dt>'0'
GROUP BY substr(dt,1,7)
)a
GROUP BY a.dt;
优化写法
SELECT year(dt) as year,
month(dt) as month,
sum(pay_amount)
FROM user_trade
WHERE dt>'0'
GROUP BY year(dt),
month(dt)
with rollup;
技巧3:换个思路解题
条条大路通罗马,写SQL亦是如此,能达到同样效果的SQL有很多种,要学
会思路转换,灵活应用。
技巧4:union all时可以开启并发执行
参数设置:set hive.exec.parallel=true
可以并行的任务较多时,开启并发执行,可以提高执行效率。
–每个用户的支付和退款金额汇总–
SELECT a.user_name,sum(a.pay_amount),
sum(a.refund_amount)
FROM
(
SELECT user_name,
sum(pay_amount) as pay_amount,
0 as refund_amount
FROM user_trade
WHERE dt>'0'
GROUP BY user_name
UNION ALL
SELECT user_name,
0 as pay_amount,
sum(refund_amount) as refund_amount
FROM user_refund
WHERE dt>'0'
GROUP BY user_name
)a
GROUP BY a.user_name;
技巧5:利用lateral view进行行转列
–每个品类的购买用户数–
SELECT b.category,
count(distinct a.user_name)
FROM user_goods_category a
lateral view explode(split(category_detail,',')) b as
category
GROUP BY b.category;
split():字符串分割函数
explode:行转列函数
列转行函数:concat_ws(’,’,collect_set(column))
技巧6:表连接优化
- 小表在前,大表在后
Hive假定查询中最后的一个表是大表,它会将其它表缓存起来,然后扫描
最后那个表。
- 使用相同的连接键
当对3个或者更多个表进行join连接时,如果每个on子句都使用相同的连接
键的话,那么只会产生一个MapReduce job。
- 尽早的过滤数据
减少每个阶段的数据量,对于分区表要加分区,同时只选择需要使用到的
字段。
- 逻辑过于复杂时,引入中间表
技巧7:如何解决数据倾斜
数据倾斜的表现:
任务进度长时间维持在99%(或100%),查看任务监控页面,发现只有少
量(1个或几个)reduce子任务未完成。因为其处理的数据量和其他
reduce差异过大。
数据倾斜的原因与解决办法:
- 空值产生的数据倾斜
解决:如果两个表连接时,使用的连接条件有很多空值,建议在连接条件
中增加过滤
例如:on a.user_id=b.user_id and a.user_id is not null
- 大小表连接(其中一张表很大,另一张表非常小)
解决:将小表放到内存里,在map端做Join
例如:
- 两个表连接条件的字段数据类型不一致
解决:将连接条件的字段数据类型转换成一致的
例如:on a.user_id=cast(b.user_id as string)
技巧8:如何计算按月累计去重
–2017、2018年按月累计去重的购买用户数–
SELECT b.year,
b.month,
sum(b.user_num) over(partition by b.year order by
b.month)
FROM
(SELECT a.year,
a.month,
count(distinct a.user_name) user_num
FROM
(SELECT year(dt) as year,
user_name,
min(month(dt)) as month
FROM user_trade
WHERE year(dt) in (2017,2018)
GROUP BY year(dt),
user_name)a
GROUP BY a.year,
a.month)b
ORDER BY b.year,
b.month
limit 24;
方法2:
set hive.mapred.mode=nonstrict;
SELECT b.month,
count(distinct a.user_name)
FROM
(SELECT substr(dt,1,7) as month,
user_name
FROM user_trade
WHERE year(dt) in (2017,2018)
GROUP BY substr(dt,1,7),
user_name)a
CROSS JOIN
(SELECT month
FROM dim_month)b
WHERE b.month>=a.month and
substr(a.month,1,4)=substr(b.month,1,4)
GROUP BY b.month;