http://blog.csdn.net/sinat_27339001/article/details/52189843
众所周知,原生Hive没有计算中位数的函数(有的平台会有),只有计算分位数的函数percentile
在数据量不大的时候,速度尚可。但是数据量一上来之后,完全计算不出来。
那么如何解决这个问题呢,我们可以使用 row_number() over()通过两次排序来解决同时计算多个分位数,速度飞快。
比如我们需要计算mkt_mcc_storeidx表下以mkt_label,mccgroup,month分组,value_mccgroup的分位数
第一步:利用row_number() over()给value_mccgroup在分组里排序,记录下排名
第二步:计算mkt_label,mccgroup,month分组下的数据总数
第三步:join前两步的结果,取rank=你需要计算的分位数位置,想计算多少个分位数就计算多少个
第四步:再排一次序,这次数据量就已经少了很多了,毕竟每组里面只有几个数据,记录排名
第五步:得到具体的分位数
第六步:行转成列,所有分位数计算完毕
后来查看了下SQL代码的执行树,发现percentile利用了map来存数据,怪不得这么耗内存,其实时间久并不是算的时间久,是因为内存不够了,系统一直在回收内存
而rank over 仅仅就是个排序而已
-
顶
- 1