hive窗口函数详情总结
解释
开窗函数用于为行定义一个窗口(指运算将要操作的行的集合),它对一组值进行操作,不需要使用 Group By 子句对数据进行分组,能够在同一行中同时返回基础行的列和聚合列。
语法
函数() over(partition by 列名1
order by 列名2
rows between
[[unbounded|num] preceding | current row]
and
[[unbounded|num] following | current row])
rows between:作用为划分表中窗口边界
unbounded preceding:表示表中窗口无上边界
num preceding:表示表中窗口上界到距离当前行向上num行
current row:表示当前行
num following:表示表中窗口下界到距离当前行向下num行
unbounded following:表示表中窗口无下边界
rows between unbounded preceding and unbounded following:
hive开窗函数
排序开窗函数
样例数据
select * from test ;
>name score subject
A 90 语文
A 90 数学
A 98 英语
B 93 语文
B 90 数学
B 94 英语
RANK()
在计算排序时,若存在相同位次,会跳过之后的位次。有3条排在第1位时,排序为:1,1,1,4······
示例:
#按姓名分组,排序每个人的分数从低到高
select name , score , subject ,rank()over(partition by name order by score ) rk from test;
>name score subject rk
> A 90 语文 1
> A 90 数学 1
> A 98 英语 3
> B 90 数学 1
> B 93 语文 2
> B 94 英语 3
DENSE_RANK()
在计算排序时,若存在相同位次,不会跳过之后的位次。有3条排在第1位时,排序为:1,1,1,2······
示例:
#按姓名分组,排序每个人的分数从低到高
select name , score , subject ,rank()over(partition by name order by score ) rk from test;
>name score subject rk
> A 90 语文 1
> A 90 数学 1
> A 98 英语 2
> B 90 数学 1
> B 93 语文 2
> B 94 英语 3
ROW_NUMBER()
这个函数赋予唯一的连续位次。例如,有3条排在第1位时,排序为:1,2,3,4······
示例:
#按姓名分组,排序每个人的分数从低到高
select name , score , subject ,rank()over(partition by name order by score ) rk from test;
>name score subject rk
> A 90 语文 1
> A 90 数学 2
> A 98 英语 3
> B 90 数学 1
> B 93 语文 2
> B 94 英语 3
分析开窗函数
样例数据:
select * from test;
RN ADDRESS ARRIVAL_TIME USERID
------ ---------- ------------------- ---------
1 A1 2012-7-9 下午12:03:21 1
(null) A2 2012-7-9 下午12:04:21 2
(null) A3 2012-7-9 下午12:05:21 3
2 A1 2012-7-9 下午12:08:21 4
(null) A2 2012-7-9 下午12:09:21 5
(null) A3 2012-7-9 下午12:10:21 6
3 A1 2012-7-9 下午12:13:21 7
(null) A3 2012-7-9 下午12:15:21 8
4 A1 2012-7-9 下午12:18:23 9
5 A1 2012-7-9 下午12:19:21 10
(null) A2 2012-7-9 下午12:20:21 11
(null) A3 2012-7-9 下午12:21:21 12
6 A1 2012-7-9 下午12:23:23 13
(null) A2 2012-7-9 下午12:24:21 14
last_value
取开窗最后一个值
第一个参数是列名,第二个参数可选布尔值,默认值为FALSE,true可以忽略null值
select rn,address,arrival_time,userid,last_value(rn,true) over(order by userid) group_t from test
查询结果如下:
RN ADDRESS ARRIVAL_TIME USERID GROUP_T
------ ---------- ------------------- --------- ----------
1 A1 2012-7-9 下午12:03:21 1 1
(null) A2 2012-7-9 下午12:04:21 2 1
(null) A3 2012-7-9 下午12:05:21 3 1
2 A1 2012-7-9 下午12:08:21 4 2
(null) A2 2012-7-9 下午12:09:21 5 2
(null) A3 2012-7-9 下午12:10:21 6 2
3 A1 2012-7-9 下午12:13:21 7 3
(null) A3 2012-7-9 下午12:15:21 8 3
4 A1 2012-7-9 下午12:18:23 9 4
5 A1 2012-7-9 下午12:19:21 10 5
(null) A2 2012-7-9 下午12:20:21 11 5
(null) A3 2012-7-9 下午12:21:21 12 5
6 A1 2012-7-9 下午12:23:23 13 6
(null) A2 2012-7-9 下午12:24:21 14 6
first_value
取开窗第一个值
第一个参数是列名,第二个参数可选布尔值,默认值为FALSE,true可以忽略null值
select rn,address,arrival_time,userid,first_value(rn,true) over(order by userid) group_t from test
查询结果如下:
RN ADDRESS ARRIVAL_TIME USERID GROUP_T
------ ---------- ------------------- --------- ----------
1 A1 2012-7-9 下午12:03:21 1 1
(null) A2 2012-7-9 下午12:04:21 2 1
(null) A3 2012-7-9 下午12:05:21 3 1
2 A1 2012-7-9 下午12:08:21 4 1
(null) A2 2012-7-9 下午12:09:21 5 1
(null) A3 2012-7-9 下午12:10:21 6 1
3 A1 2012-7-9 下午12:13:21 7 1
(null) A3 2012-7-9 下午12:15:21 8 1
4 A1 2012-7-9 下午12:18:23 9 1
5 A1 2012-7-9 下午12:19:21 10 1
(null) A2 2012-7-9 下午12:20:21 11 1
(null) A3 2012-7-9 下午12:21:21 12 1
6 A1 2012-7-9 下午12:23:23 13 1
(null) A2 2012-7-9 下午12:24:21 14 1
lag
LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值 ,第三个参数指的是往上n个weinull的默认值,不是指开窗那列的值为null的默认值,示例:
select rn,address,arrival_time,userid,lag(rn,2,0) over(order by userid) group_t from test
查询结果如下:
RN ADDRESS ARRIVAL_TIME USERID GROUP_T
------ ---------- ------------------- --------- ----------
1 A1 2012-7-9 下午12:03:21 1 0
(null) A2 2012-7-9 下午12:04:21 2 0
(null) A3 2012-7-9 下午12:05:21 3 1
2 A1 2012-7-9 下午12:08:21 4 null
(null) A2 2012-7-9 下午12:09:21 5 null
(null) A3 2012-7-9 下午12:10:21 6 2
3 A1 2012-7-9 下午12:13:21 7 null
(null) A3 2012-7-9 下午12:15:21 8 null
4 A1 2012-7-9 下午12:18:23 9 3
5 A1 2012-7-9 下午12:19:21 10 null
(null) A2 2012-7-9 下午12:20:21 11 4
(null) A3 2012-7-9 下午12:21:21 12 5
6 A1 2012-7-9 下午12:23:23 13 null
(null) A2 2012-7-9 下午12:24:21 14 null
lead
LEAD(col,n,DEFAULT)用于统计窗口内往下第n行值
select rn,address,arrival_time,userid,lead(rn,2,0) over(order by userid) group_t from test
查询结果如下:
RN ADDRESS ARRIVAL_TIME USERID GROUP_T
------ ---------- ------------------- --------- ----------
1 A1 2012-7-9 下午12:03:21 1 null
(null) A2 2012-7-9 下午12:04:21 2 2
(null) A3 2012-7-9 下午12:05:21 3 null
2 A1 2012-7-9 下午12:08:21 4 null
(null) A2 2012-7-9 下午12:09:21 5 3
(null) A3 2012-7-9 下午12:10:21 6 null
3 A1 2012-7-9 下午12:13:21 7 4
(null) A3 2012-7-9 下午12:15:21 8 5
4 A1 2012-7-9 下午12:18:23 9 null
5 A1 2012-7-9 下午12:19:21 10 null
(null) A2 2012-7-9 下午12:20:21 11 6
(null) A3 2012-7-9 下午12:21:21 12 null
6 A1 2012-7-9 下午12:23:23 13 0
(null) A2 2012-7-9 下午12:24:21 14 0
其他窗口函数
ntile
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
select a,ntile(2)over(order by a) nt from (select 1 a union select 2 union select 3)t
a nt
>1 1
>2 1
>3 2
cume_dist
这个函数不太常用, 小于等于当前值的行数/分组内总行数
select r, a ,cume_dist() over( order by a ) col from (
select 'cc' r, 1 a union all select 'aa',2 union all select 'bb', 3
) t
r a col
>c 1 0.3333333333333333 #1/3
>aa 2 0.6666666666666666 #2/3
>b 3 1 #3/3
percent_rank
percent_rank :窗口内当前行的RANK值-1/窗口内总行数-1(这里的rank值就是指的是rank 函数的的返回值)
select r, a ,percent_rank() over( order by a ) col from (
select 'cc' r, 1 a union all select 'aa',2 union all select 'bb', 3
) t
r a col
>c 1 0 #1-1/3-1
>aa 2 0.5 #2-1/3-1
>b 3 1 #3-1/3-1