Hive数仓操作（十五）

Hive 开窗函数

Hive窗口函数是一种特殊的函数，允许用户在查询中对一组行进行计算，而不仅仅是单独的行。窗口函数可以在 SQL 查询中进行聚合、排名、累积计算等。这使得窗口函数在数据分析和报告生成中非常有用。

窗口函数的基本组成部分

1. 函数类型：如 ROW_NUMBER(), RANK(), DENSE_RANK(), SUM(), AVG() 等。
2. OVER 子句：定义窗口的范围和分区，用于指定在哪些行上应用窗口函数。

窗口边界标识符

1. CURRENT ROW:

   • 表示窗口的当前行。通常用于窗口的结束范围。

2. n PRECEDING:

   • 表示当前行之前的n行。例如，ROWS BETWEEN 1 PRECEDING AND CURRENT ROW 表示从当前行向上看一行到当前行。

3. n FOLLOWING:

   • 表示当前行之后的n行。例如，ROWS BETWEEN CURRENT ROW AND 2 FOLLOWING 表示从当前行到当前行的后两行。

4. UNBOUNDED:

   • 表示没有边界，通常用于定义窗口的起点或终点。

5. UNBOUNDED PRECEDING:

   • 表示从窗口的起点开始，不限行数。

6. UNBOUNDED FOLLOWING:

   • 表示到窗口的终点结束，不限行数。

窗口边界函数

1. LAG(col, n):

   • 这个函数用于获取当前行的前n行中的指定列的值。它可以用于比较当前行与前几行的数据。

   SELECT 
       employee_id, 
       salary, 
       LAG(salary, 1) OVER (ORDER BY employee_id) AS previous_salary
   FROM 
       employees;
   

   这个示例显示了每个员工的当前工资和前一个员工的工资。

2. LEAD(col, n):

   • 这个函数用于获取当前行的后n行中的指定列的值。与 LAG 类似，但它是向下查找。

   SELECT 
       employee_id, 
       salary, 
       LEAD(salary, 1) OVER (ORDER BY employee_id) AS next_salary
   FROM 
       employees;
   

   这个示例显示了每个员工的当前工资和下一个员工的工资。

示例数据集

假设我们有一个名为 business 的表，内容如下：

name	orderdate	cost
Alice	2017-04-01	100
Bob	2017-04-05	150
Alice	2017-04-10	200
Charlie	2017-05-01	300
Bob	2017-05-10	100
Alice	2017-05-15	250
Charlie	2017-06-01	400

SQL 查询运行结果

1. 查询在2017年4月份购买过的顾客及总人数

SELECT name, COUNT(*) OVER() 
FROM business
WHERE SUBSTRING(orderdate, 1, 7) = '2017-04';

结果：

name	COUNT(*)
Alice	3
Bob	3
Alice	3

2. 查询顾客的购买明细及月购买总额

顾客购买明细及购买总额：

SELECT name, orderdate, cost, SUM(cost) OVER() 
FROM business;

结果：

name	orderdate	cost	SUM(cost)
Alice	2017-04-01	100	1300
Bob	2017-04-05	150	1300
Alice	2017-04-10	200	1300
Charlie	2017-05-01	300	1300
Bob	2017-05-10	100	1300
Alice	2017-05-15	250	1300
Charlie	2017-06-01	400	1300

明细及月购买总额：

SELECT name, orderdate, cost, SUM(cost) OVER(PARTITION BY MONTH(orderdate)) 
FROM business;

结果：

name	orderdate	cost	SUM(cost)
Alice	2017-04-01	100	300
Bob	2017-04-05	150	300
Alice	2017-04-10	200	300
Charlie	2017-05-01	300	700
Bob	2017-05-10	100	700
Alice	2017-05-15	250	700
Charlie	2017-06-01	400	400

顾客购买明细及顾客购买总额：

SELECT name, orderdate, cost, SUM(cost) OVER(PARTITION BY name) 
FROM business;

结果：

name	orderdate	cost	SUM(cost)
Alice	2017-04-01	100	550
Bob	2017-04-05	150	250
Alice	2017-04-10	200	550
Charlie	2017-05-01	300	700
Bob	2017-05-10	100	250
Alice	2017-05-15	250	550
Charlie	2017-06-01	400	400

顾客购买明细及顾客月购买总额：

SELECT name, orderdate, cost, SUM(cost) OVER(PARTITION BY name, MONTH(orderdate)) 
FROM business;

结果：

name	orderdate	cost	SUM(cost)
Alice	2017-04-01	100	300
Bob	2017-04-05	150	150
Alice	2017-04-10	200	300
Charlie	2017-05-01	300	300
Bob	2017-05-10	100	100
Alice	2017-05-15	250	250
Charlie	2017-06-01	400	400

3. 按照日期进行累加

按照日期逐步累加购买总额

SELECT name, orderdate, cost,
SUM(cost) OVER(PARTITION BY name ORDER BY orderdate) 
FROM business;

方法2（边界从起点到当前行）：

SELECT name, orderdate, cost,
SUM(cost) OVER(PARTITION BY name ORDER BY orderdate ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS sample4
FROM business;

结果：

name	orderdate	cost	SUM(cost)
Alice	2017-04-01	100	100
Alice	2017-04-10	200	300
Alice	2017-05-15	250	550
Bob	2017-04-05	150	150
Bob	2017-05-10	100	250
Charlie	2017-05-01	300	300
Charlie	2017-06-01	400	700

当前行和前面一行的聚合：

SELECT name, orderdate, cost,
SUM(cost) OVER(PARTITION BY name ORDER BY orderdate ROWS BETWEEN 1 PRECEDING AND CURRENT ROW) AS sample5
FROM business;

结果：

name	orderdate	cost	sample5
Alice	2017-04-01	100	100
Alice	2017-04-10	200	300
Alice	2017-05-15	250	450
Bob	2017-04-05	150	150
Bob	2017-05-10	100	250
Charlie	2017-05-01	300	300
Charlie	2017-06-01	400	400

当前行和前后各一行的聚合：

SELECT name, orderdate, cost,
SUM(cost) OVER(PARTITION BY name ORDER BY orderdate ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING) AS sample6
FROM business;

结果：

name	orderdate	cost	sample6
Alice	2017-04-01	100	300
Alice	2017-04-10	200	550
Alice	2017-05-15	250	250
Bob	2017-04-05	150	250
Bob	2017-05-10	100	100
Charlie	2017-05-01	300	700
Charlie	2017-06-01	400	400

当前行及后面所有行：

SELECT name, orderdate, cost,
SUM(cost) OVER(PARTITION BY name ORDER BY orderdate ROWS BETWEEN CURRENT ROW AND UNBOUNDED FOLLOWING) AS sample7
FROM business;

结果：

name	orderdate	cost	sample7
Alice	2017-04-01	100	550
Alice	2017-04-10	200	250
Alice	2017-05-15	250	250
Bob	2017-04-05	150	100
Bob	2017-05-10	100	100
Charlie	2017-05-01	300	400
Charlie	2017-06-01	400	400

4. 查询顾客上次的购买时间

使用 LAG 函数：

SELECT name, orderdate, cost,
LAG(orderdate, 1) OVER(PARTITION BY name ORDER BY orderdate) AS last_purchase_date
FROM business;

结果：

name	orderdate	cost	last_purchase_date
Alice	2017-04-01	100	NULL
Alice	2017-04-10	200	2017-04-01
Alice	2017-05-15	250	2017-04-10
Bob	2017-04-05	150	NULL
Bob	2017-05-10	100	2017-04-05
Charlie	2017-05-01	300	NULL
Charlie	2017-06-01	400	2017-05-01