背景
在大规模数据量的数据分析及建模任务中,往往针对全量数据进行挖掘分析时会十分耗时和占用集群资源,因此一般情况下只需要抽取一小部分数据进行分析及建模操作。
Hive提供了数据取样(SAMPLING)的功能,能够根据一定的规则进行数据抽样,目前支持数据块抽样,分桶抽样和随机抽样,具体如下所示:
1、随机抽样(rand()函数)
(1)使用rand()函数进行随机抽样,limit关键字限制抽样返回的数据,其中rand函数前的distribute和sort关键字可以保证数据在mapper和reducer阶段是随机分布的
例子:随机取表app.table_name并且日期是当天(datekey='2018-11-14')100条数据
select * from app.table_name where datekey='2018-11-14' distribute by rand() sort by rand() limit 100;
(2)千万级数据中进行随机抽样 order by方式耗时更长
例子:随机取表100条数据
select * from app.table_name order by rand() limit 100;
2、数据块抽样(tablesample()函数)
1) tablesample(n percent) 根据hive表数据的大小按比例抽取数据,并保存到新的hive表中。如:抽取原hive表中10%的数据
(注意:测试过程中发现,select语句不能带where条件且不支持子查询,可通过新建