Hive常用窗口分析函数

大数据技术AI

Flink/Spark/Hadoop/数仓，数据分析、面试，源码解读等干货学习资料

121篇原创内容

公众号

1、函数

1.1 窗口函数

• 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

• LEAD(col,n,DEFAULT) ：用于统计窗口内往后第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）

• LAG(col,n,DEFAULT) ：用于统计窗口内往前第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）

1.2 over从句

1. 使用标准的聚合函数COUNT、SUM、MIN、MAX、AVG

2. 使用PARTITION BY语句，使用一个或者多个原始数据类型的列

3. 使用**PARTITION BY与ORDER BY**语句，使用一个或者多个数据类型的分区或者排序列

使用窗口规范，窗口规范支持以下格式：

(ROWS | RANGE) BETWEEN (UNBOUNDED | [num]) PRECEDING AND ([num] PRECEDING | CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
 
 (ROWS | RANGE) BETWEEN CURRENT ROW AND (CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
 
 (ROWS | RANGE) BETWEEN [num] FOLLOWING AND (UNBOUNDED | [num]) FOLLOWING

注意：

• 当ORDER BY后面缺少窗口从句条件，窗口规范默认是 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW.

• 当**ORDER BY和窗口从句都缺失**, 窗口规范默认是 ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING.

1.3 分析函数

• ROW_NUMBER()

从1开始，按照顺序，生成分组内记录的序列。

比如，按照pv降序排列，生成分组内每天的pv名次,ROW_NUMBER()的应用场景非常多，再比如，获取分组内排序第一的记录;获取一个session中的第一条refer等。

数据顺序：1234

数据排名：1234

• RANK()

生成数据项在分组中的排名，排名相等会在名次中留下空位，如果有重复的，会跳数。

数据顺序：1234

数据排名：1224

• DENSE_RANK()

生成数据项在分组中的排名，排名相等会在名次中不会留下空位，如果有重复的，不会跳数。

数据顺序：1234

数据排名：1223

• CUME_DIST

小于等于当前值的行数/分组内总行数。比如，统计小于等于当前薪水的人数，所占总人数的比例

• PERCENT_RANK

分组内当前行的RANK值-1/分组内总行数-1

• 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，如果切片不均匀，默认增加第一个切片的分布。

NTILE不支持ROWS BETWEEN：比如 NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW)。

2、案例

2.1 数据集准备

 hive (default)> select * from student;
 OK
 business.name   business.orderdate      business.cost
 jack    2017-01-01      10
 tony    2017-01-02      15
 jack    2017-02-03      23
 tony    2017-01-04      29
 jack    2017-01-05      46
 jack    2017-04-06      42
 tony    2017-01-07      50
 jack    2017-01-08      55
 mart    2017-04-08      62
 mart    2017-04-09      68
 neil    2017-05-10      12
 mart    2017-04-11      75
 neil    2017-06-12      80
 mart    2017-04-13      94

2.2 COUNT、SUM、MIN、MAX、AVG

select name,orderdate,cost,
 -- 所有行相加
 sum(cost) over() as c1,
 -- 按name分组，组内相加
 sum(cost) over(partition by name)  as c1,
 -- （默认起点到当前行相加）按name分组，orderdate排序，组内相加
 sum(cost) over(partition by name order by orderdate)  as c2,
 -- 起点到当前行的
 sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row )  as c3,
 -- 当前行+前面2行
 sum(cost) over(partition by name order by orderdate rows between 2 preceding and current row )  as c4,
 -- 当前行+后面2行
 sum(cost) over(partition by name order by orderdate rows between current row and 2 following )  as c5,
 -- 前面2行+当前行+后面2行
 sum(cost) over(partition by name order by orderdate rows between 2 preceding and 2 following )  as c6,
 -- （partition by .. order by）可替换为（distribute by .. sort by ..）
 sum(cost) over(partition by name order by orderdate rows between 2 preceding and 2 following )  as c7
 from business;

注意:

• 结果和ORDER BY相关，默认为升序

• 如果不指定ROWS BETWEEN,默认为从起点到当前行;

• 如果不指定ORDER BY，则将分组内所有值累加;

• order by必须跟在partition by后;

• Rows必须跟在Order by子；

• （partition by … order by）可替换为（distribute by … sort by …）

Window子句：

• PRECEDING：往前

• FOLLOWING：往后

• CURRENT ROW：当前行

• UNBOUNDED：无界限（起点或终点）

• UNBOUNDED PRECEDING：表示从前面的起点

• UNBOUNDED FOLLOWING：表示到后面的终点

2.3 first_value与last_value

 select name,orderdate,cost,
 row_number() over(partition by name order by cost) c1,
 -- 正序时：当前行到第一个值之间，第一个值
 first_value(cost) over(partition by name order by cost) c2,
 -- 正序时：当前行到最后一个值之间，最后一个值
 last_value(cost) over(partition by name order by cost) c3,
 -- 倒序时：当前行到第一个值之间，第一个值
 first_value(cost) over(partition by name order by cost desc) c4,
 -- 倒序时：当前行到最后一个值之间，最后一个值
 last_value(cost) over(partition by name order by cost desc) c5,
 row_number() over(partition by name order by cost desc) c6
 from business;

2.4 lead与lag

select name,orderdate,cost,
 -- 分组内当前行，往后第一行的值（不包括当前行）
 lead(cost) over(partition by name order by cost) c1,
 -- 分组内当前行，往后第二行的值（不包括当前行）
 lead(cost,2) over(partition by name order by cost) c2,
 -- 分组内当前行，往后第二行的值（不包括当前行），如果为null，则用9999代替
 lead(cost,2,9999) over(partition by name order by cost) c3,
 -- 分组内当前行，往前第一行的值（不包括当前行）
 lag(cost) over(partition by name order by cost) c4,
 -- 分组内当前行，往前第二行的值（不包括当前行）
 lag(cost,2) over(partition by name order by cost) c5,
 -- 分组内当前行，往前第二行的值（不包括当前行），如果为null，则用-1代替
 lag(cost,2,-1) over(partition by name order by cost) c6
 from business;

2.5 RANK、ROW_NUMBER、DENSE_RANK

select 
 name,orderdate,cost,c,
 -- 自然序号排序，不跳数，不重复
 ROW_NUMBER() over(partition by name order by c) c1,
 -- 排序相同，中间会跳数，总数不变
 RANK() over(partition by name order by c) c2,
 -- 排序相同，中间不会跳数，总数会减少
 DENSE_RANK() over(partition by name order by c) c3
 from(
 select name,orderdate,cost,date_format(orderdate,'yyyyMM') c
 from business
 )T;

2.6 NTILE

 select name,orderdate,cost,
 -- 将组内数据分成1片
 ntile(1) over(partition by name order by orderdate) c1,
 -- 将组内数据分成2片
 ntile(2) over(partition by name order by orderdate) c2,
 -- 将组内数据分成3片
 ntile(3) over(partition by name order by orderdate) c3,
 -- 将组内数据分成4片
 ntile(4) over(partition by name order by orderdate) c4
 from business;

注意：

如果切片不均匀，默认增加第一个切片的分布

例如：求20%的数据（按时间排序）

 select * from(
 select name,orderdate,cost,
 -- 查询20%时间的订单
 ntile(5) over(order by orderdate) c
 from business
 )T where c=1;

2.7 CUME_DIST、PERCENT_RANK

CUME_DIST

select name,orderdate,cost,
 -- 不分组，所有数据为一组，当前行占总行数的比例，
 -- 第一行：1/14=0.07142857142857142
 -- 第二行：2/14=0.14285714285714285
 CUME_DIST() over(order by orderdate) ,
 -- 组内，计算当前行的行数/组内总行数
 CUME_DIST() over(partition by name order by orderdate)
 from business;

PERCENT_RANK

select name,orderdate,cost,
 -- 按name分组，组内的行数
 sum(1) over(partition by name),
 -- 所有数据，按时间排序，排名
 rank() over(order by orderdate),
 -- （排名-1）/（总行数-1）
 -- 第1行：排名1，（1-1）/（14-1）= 0
 -- 第2行：排名4，（4-1）/（14-1）= 0.23076923076923078 
 -- 第3行：排名6，（6-1）/（14-1）= 0.38461538461538464 
 PERCENT_RANK() over(order by orderdate),
 -- （组内当前行-1） / （当前组总行-1）
 -- 第1行：（1-1）/（5-1）=0
 -- 第2行：（2-1）/（5-1）=0.25
 -- 第3行：（3-1）/（5-1）=0.5
 PERCENT_RANK() over(partition by name order by orderdate)
 from business;