本文主要介绍hive中的窗口函数.hive中的窗口函数和sql中的窗口函数相类似,都是用来做一些数据分析类的工作,一般用于olap分析(在线分析处理)。
概念
我们都知道在sql中有一类函数叫做聚合函数,例如sum()、avg()、max()等等,这类函数可以将多行数据按照规则聚集为一行,一般来讲聚集后的行数是要少于聚集前的行数的.但是有时我们想要既显示聚集前的数据,又要显示聚集后的数据,这时我们便引入了窗口函数.
在深入研究Over字句之前,一定要注意:在SQL处理中,窗口函数都是最后一步执行,而且仅位于Order by字句之前。
数据准备
我们准备一张order表,字段分别为name,orderdate,cost.数据内容如下:
jack,2015-01-01,10 tony,2015-01-02,15 jack,2015-02-03,23 tony,2015-01-04,29 jack,2015-01-05,46 jack,2015-04-06,42 tony,2015-01-07,50 jack,2015-01-08,55 mart,2015-04-08,62 mart,2015-04-09,68 neil,2015-05-10,12 mart,2015-04-11,75 neil,2015-06-12,80 mart,2015-04-13,94
- 1
在hive中建立一张表t_window,将数据插入进去.
实例
聚合函数+over
假如说我们想要查询在2015年4月份购买过的顾客及总人数,我们便可以使用窗口函数去去实现
-
select
name,
count(*)
over ()
-
from t_window
-
where
substring(orderdate,
1,
7) =
'2015-04'
- 1
得到的结果如下:
-
name count_window_0
-
mart
5
-
mart
5
-
mart
5
-
mart
5
-
jack
5
- 1
可见其实在2015年4月一共有5次购买记录,mart购买了4次,jack购买了1次.事实上,大多数情况下,我们是只看去重后的结果的.针对于这种情况,我们有两种实现方式
第一种:distinct
-
select
distinct
name,
count(*)
over ()
-
from t_window
-
where
substring(orderdate,
1,
7) =
'2015-04'
- 1
第二种:group by
-
select
name,
count(*)
over ()
-
from t_window
-
where
substring(orderdate,
1,
7) =
'2015-04'
-
group
by
name
- 1
执行后的结果如下:
name count_window_0
mart 2
jack 2
partition by子句
Over子句之后第一个提到的就是Partition By.Partition By子句也可以称为查询分区子句,非常类似于Group By,都是将数据按照边界值分组,而Over之前的函数在每一个分组之内进行,如果超出了分组,则函数会重新计算.
实例
我们想要去看顾客的购买明细及月购买总额,可以执行如下的sql
-
select
name,orderdate,
cost,
sum(
cost)
over(
partition
by
month(orderdate))
-
from t_window
- 1
执行结果如下:
-
name orderdate cost sum_window_0
-
jack
2015-
01-
01
10
205
-
jack
2015-
01-
08
55
205
-
tony
2015-
01-
07
50
205
-
jack
2015-
01-
05
46
205
-
tony
2015-
01-
04
29
205
-
tony
2015-
01-
02
15
205
-
jack
2015-
02-
03
23
23
-
mart
2015-
04-
13
94
341
-
jack
2015-
04-
06
42
341
-
mart
2015-
04-
11
75
341
-
mart
2015-
04-
09
68
341
-
mart
2015-
04-
08
62
341
-
neil
2015-
05-
10
12
12
-
neil
2015-
06-
12
80
80
- 1
可以看出数据已经按照月进行汇总了.
order by子句
上述的场景,假如我们想要将cost按照月进行累加.这时我们引入order by子句.
order by子句会让输入的数据强制排序(文章前面提到过,窗口函数是SQL语句最后执行的函数,因此可以把SQL结果集想象成输入数据)。Order By子句对于诸如Row_Number(),Lead(),LAG()等函数是必须的,因为如果数据无序,这些函数的结果就没有任何意义。因此如果有了Order By子句,则Count(),Min()等计算出来的结果就没有任何意义。
我们在上面的代码中加入order by
-
select
name,orderdate,
cost,
sum(
cost)
over(
partition
by
month(orderdate)
order
by orderdate )
-
from t_window
- 1
得到的结果如下:(order by默认情况下聚合从起始行到当前行的数据)
-
name orderdate cost sum_window_0
-
jack
2015-
01-
01
10
10
-
tony
2015-
01-
02
15
25
//10+15
-
tony
2015-
01-
04
29
54
//10+15+29
-
jack
2015-
01-
05
46
100
//10+15+29+46
-
tony
2015-
01-
07
50
150
-
jack
2015-
01-
08
55
205
-
jack
2015-
02-
03
23
23
-
jack
2015-
04-
06
42
42
-
mart
2015-
04-
08
62
104
-
mart
2015-
04-
09
68
172
-
mart
2015-
04-
11
75
247
-
mart
2015-
04-
13
94
341
-
neil
2015-
05-
10
12
12
-
neil
2015-
06-
12
80
80
- 1
window子句
我们在上面已经通过使用partition by子句将数据进行了分组的处理.如果我们想要更细粒度的划分,我们就要引入window子句了.
我们首先要理解两个概念:
- 如果只使用partition by子句,未指定order by的话,我们的聚合是分组内的聚合.
- 使用了order by子句,未使用window子句的情况下,默认从起点到当前行.
当同一个select查询中存在多个窗口函数时,他们相互之间是没有影响的.每个窗口函数应用自己的规则.
window子句:
- PRECEDING:往前
- FOLLOWING:往后
- CURRENT ROW:当前行
- UNBOUNDED:起点,UNBOUNDED PRECEDING 表示从前面的起点, UNBOUNDED FOLLOWING:表示到后面的终点
我们按照name进行分区,按照购物时间进行排序,做cost的累加.
如下我们结合使用window子句进行查询
-
select
name,orderdate,
cost,
-
sum(
cost)
over()
as sample1,
--所有行相加
-
sum(
cost)
over(
partition
by
name)
as sample2,
--按name分组,组内数据相加
-
sum(
cost)
over(
partition
by
name
order
by orderdate)
as sample3,
--按name分组,组内数据累加
-
sum(
cost)
over(
partition
by
name
order
by orderdate
rows
between
UNBOUNDED
PRECEDING
and
current
row )
as sample4 ,
--和sample3一样,由起点到当前行的聚合
-
sum(
cost)
over(
partition
by
name
order
by orderdate
rows
between
1
PRECEDING
and
current
row)
as sample5,
--当前行和前面一行做聚合
-
sum(
cost)
over(
partition
by
name
order
by orderdate
rows
between
1
PRECEDING
AND
1
FOLLOWING )
as sample6,
--当前行和前边一行及后面一行
-
sum(
cost)
over(
partition
by
name
order
by orderdate
rows
between
current
row
and
UNBOUNDED
FOLLOWING )
as sample7
--当前行及后面所有行
-
from t_window;
- 1
得到查询结果如下:
-
name orderdate cost sample1 sample2 sample3 sample4 sample5 sample6 sample7
-
jack
2015-
01-
01
10
661
176
10
10
10
56
176
-
jack
2015-
01-
05
46
661
176
56
56
56
111
166
-
jack
2015-
01-
08
55
661
176
111
111
101
124
120
-
jack
2015-
02-
03
23
661
176
134
134
78
120
65
-
jack
2015-
04-
06
42
661
176
176
176
65
65
42
-
mart
2015-
04-
08
62
661
299
62
62
62
130
299
-
mart
2015-
04-
09
68
661
299
130
130
130
205
237
-
mart
2015-
04-
11
75
661
299
205
205
143
237
169
-
mart
2015-
04-
13
94
661
299
299
299
169
169
94
-
neil
2015-
05-
10
12
661
92
12
12
12
92
92
-
neil
2015-
06-
12
80
661
92
92
92
92
92
80
-
tony
2015-
01-
02
15
661
94
15
15
15
44
94
-
tony
2015-
01-
04
29
661
94
44
44
44
94
79
-
tony
2015-
01-
07
50
661
94
94
94
79
79
50
- 1
窗口函数中的序列函数
主要序列函数是不支持window子句的.
hive中常用的序列函数有下面几个:
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
-
NTILE不支持ROWS BETWEEN,
比如 NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW) - 如果切片不均匀,默认增加第一个切片的分布
这个函数用什么应用场景呢?假如我们想要每位顾客购买金额前1/3的交易记录,我们便可以使用这个函数.
-
select
name,orderdate,
cost,
-
ntile(
3)
over()
as sample1 ,
--全局数据切片
-
ntile(
3)
over(
partition
by
name),
-- 按照name进行分组,在分组内将数据切成3份
-
ntile(
3)
over(
order
by
cost),
--全局按照cost升序排列,数据切成3份
-
ntile(
3)
over(
partition
by
name
order
by
cost )
--按照name分组,在分组内按照cost升序排列,数据切成3份
-
from t_window
- 1
得到的数据如下:
-
name orderdate cost sample1 sample2 sample3 sample4
-
jack
2015-
01-
01
10
3
1
1
1
-
jack
2015-
02-
03
23
3
1
1
1
-
jack
2015-
04-
06
42
2
2
2
2
-
jack
2015-
01-
05
46
2
2
2
2
-
jack
2015-
01-
08
55
2
3
2
3
-
mart
2015-
04-
08
62
2
1
2
1
-
mart
2015-
04-
09
68
1
2
3
1
-
mart
2015-
04-
11
75
1
3
3
2
-
mart
2015-
04-
13
94
1
1
3
3
-
neil
2015-
05-
10
12
1
2
1
1
-
neil
2015-
06-
12
80
1
1
3
2
-
tony
2015-
01-
02
15
3
2
1
1
-
tony
2015-
01-
04
29
3
3
1
2
-
tony
2015-
01-
07
50
2
1
2
3
- 1
如上述数据,我们去sample4 = 1的那部分数据就是我们要的结果
row_number
rank
dense_rank
这三个窗口函数的使用场景非常多
- row_number()从1开始,按照顺序,生成分组内记录的序列,row_number()的值不会存在重复,当排序的值相同时,按照表中记录的顺序进行排列
- 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
- 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
**注意:
rank和dense_rank的区别在于排名相等时会不会留下空位.**
举例如下:
-
SELECT
-
cookieid,
-
createtime,
-
pv,
-
RANK()
OVER(
PARTITION
BY cookieid
ORDER
BY pv
desc)
AS rn1,
-
DENSE_RANK()
OVER(
PARTITION
BY cookieid
ORDER
BY pv
desc)
AS rn2,
-
ROW_NUMBER()
OVER(
PARTITION
BY cookieid
ORDER
BY pv
DESC)
AS rn3
-
FROM lxw1234
-
WHERE cookieid =
'cookie1';
-
-
cookieid day pv rn1 rn2 rn3
-
-
cookie1 2015-04-12 7 1 1 1
-
cookie1 2015-04-11 5 2 2 2
-
cookie1 2015-04-15 4 3 3 3
-
cookie1 2015-04-16 4 3 3 4
-
cookie1 2015-04-13 3 5 4 5
-
cookie1 2015-04-14 2 6 5 6
-
cookie1 2015-04-10 1 7 6 7
- 1
rn1: 15号和16号并列第3, 13号排第5 rn2: 15号和16号并列第3, 13号排第4 rn3: 如果相等,则按记录值排序,生成唯一的次序,如果所有记录值都相等,或许会随机排吧。
- 1
LAG和LEAD函数
这两个函数为常用的窗口函数,可以返回上下数据行的数据.
以我们的订单表为例,假如我们想要查看顾客上次的购买时间可以这样去查询
-
select
name,orderdate,
cost,
-
lag(orderdate,
1,
'1900-01-01')
over(
partition
by
name
order
by orderdate )
as time1,
-
lag(orderdate,
2)
over (
partition
by
name
order
by orderdate)
as time2
-
from t_window;
- 1
查询后的数据为:
-
name orderdate cost time1 time2
-
jack
2015
-01
-01
10
1900
-01
-01
NULL
-
jack
2015
-01
-05
46
2015
-01
-01
NULL
-
jack
2015
-01
-08
55
2015
-01
-05
2015
-01
-01
-
jack
2015
-02
-03
23
2015
-01
-08
2015
-01
-05
-
jack
2015
-04
-06
42
2015
-02
-03
2015
-01
-08
-
mart
2015
-04
-08
62
1900
-01
-01
NULL
-
mart
2015
-04
-09
68
2015
-04
-08
NULL
-
mart
2015
-04
-11
75
2015
-04
-09
2015
-04
-08
-
mart
2015
-04
-13
94
2015
-04
-11
2015
-04
-09
-
neil
2015
-05
-10
12
1900
-01
-01
NULL
-
neil
2015
-06
-12
80
2015
-05
-10
NULL
-
tony
2015
-01
-02
15
1900
-01
-01
NULL
-
tony
2015
-01
-04
29
2015
-01
-02
NULL
-
tony
2015
-01
-07
50
2015
-01
-04
2015
-01
-02
- 1
time1取的为按照name进行分组,分组内升序排列,取上一行数据的值,见下图。
time2取的为按照name进行分组,分组内升序排列,取上面2行的数据的值,注意当lag函数未设置行数值时,默认为1行.设定取不到时的默认值时,取null值.
lead函数与lag函数方向相反,取向下的数据.
first_value和last_value
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
-
select
name,orderdate,
cost,
-
first_value(orderdate)
over(
partition
by
name
order
by orderdate)
as time1,
-
last_value(orderdate)
over(
partition
by
name
order
by orderdate)
as time2
-
from t_window
- 1
查询结果如下:
-
name orderdate cost time1 time2
-
jack
2015-
01-
01
10
2015-
01-
01
2015-
01-
01
-
jack
2015-
01-
05
46
2015-
01-
01
2015-
01-
05
-
jack
2015-
01-
08
55
2015-
01-
01
2015-
01-
08
-
jack
2015-
02-
03
23
2015-
01-
01
2015-
02-
03
-
jack
2015-
04-
06
42
2015-
01-
01
2015-
04-
06
-
mart
2015-
04-
08
62
2015-
04-
08
2015-
04-
08
-
mart
2015-
04-
09
68
2015-
04-
08
2015-
04-
09
-
mart
2015-
04-
11
75
2015-
04-
08
2015-
04-
11
-
mart
2015-
04-
13
94
2015-
04-
08
2015-
04-
13
-
neil
2015-
05-
10
12
2015-
05-
10
2015-
05-
10
-
neil
2015-
06-
12
80
2015-
05-
10
2015-
06-
12
-
tony
2015-
01-
02
15
2015-
01-
02
2015-
01-
02
-
tony
2015-
01-
04
29
2015-
01-
02
2015-
01-
04
-
tony
2015-
01-
07
50
2015-
01-
02
2015-
01-
07
- 1
原文参考:https://blog.csdn.net/qq_26937525/article/details/54925827
扩展:
row_number的用途非常广泛,排序最好用它,它会为查询出来的每一行记录生成一个序号,依次排序且不会重复,注意使用row_number函数时必须要用over子句选择对某一列进行排序才能生成序号。
rank函数用于返回结果集的分区内每行的排名,行的排名是相关行之前的排名数加一。简单来说rank函数就是对查询出来的记录进行排名,与row_number函数不同的是,rank函数考虑到了over子句中排序字段值相同的情况,如果使用rank函数来生成序号,over子句中排序字段值相同的序号是一样的,后面字段值不相同的序号将跳过相同的排名号排下一个,也就是相关行之前的排名数加一,可以理解为根据当前的记录数生成序号,后面的记录依此类推。
dense_rank函数的功能与rank函数类似,dense_rank函数在生成序号时是连续的,而rank函数生成的序号有可能不连续。dense_rank函数出现相同排名时,将不跳过相同排名号,rank值紧接上一次的rank值。在各个分组内,rank()是跳跃排序,有两个第一名时接下来就是第四名,dense_rank()是连续排序,有两个第一名时仍然跟着第二名。
借助实例能更直观地理解:
假设现在有一张学生表student,学生表中有姓名、分数、课程编号。
select * from student;
- 1
现在需要按照课程对学生的成绩进行排序:
--row_number() 顺序排序 select name,course,row_number() over(partition by course order by score desc) rank from student;
- 1
--rank() 跳跃排序,如果有两个第一级别时,接下来是第三级别 select name,course,rank() over(partition by course order by score desc) rank from student;
- 1
--dense_rank() 连续排序,如果有两个第一级别时,接下来是第二级别 select name,course,dense_rank() over(partition by course order by score desc) rank from student;
- 1
取得每门课程的第一名:
-
--每门课程第一名只取一个:
-
select *
from (
select
name,course,row_number()
over(
partition
by course
order
by score
desc)
rank
from student)
where
rank=
1;
-
--每门课程第一名取所有:
-
select *
from (
select
name,course,
dense_rank()
over(
partition
by course
order
by score
desc)
rank
from student)
where
rank=
1;
-
--每门课程第一名取所有:
-
select *
from (
select
name,course,
rank()
over(
partition
by course
order
by score
desc)
rank
from student)
where
rank=
1;
- 1
附:每门课程第一名取所有的其他方法(使用group by 而不是partition by):
-
select s.*
from student s
-
inner
join(
select course,
max(score)
as score
from student
group
by course) c
-
on s.course=c.course
and s.score=c.score;
-
--或者使用using关键字简化连接
-
select *
from student s
-
inner
join(
select course,
max(score)
as score
from student
group
by course) c
-
using(course,score);
- 1
关于Parttion by:
Parttion by关键字是Oracle中分析性函数的一部分,用于给结果集进行分区。它和聚合函数Group by不同的地方在于它只是将原始数据进行名次排列,能够返回一个分组中的多条记录(记录数不变),而Group by是对原始数据进行聚合统计,一般只有一条反映统计值的结果(每组返回一条)。
TIPS:
使用rank over()的时候,空值是最大的,如果排序字段为null, 可能造成null字段排在最前面,影响排序结果。
可以这样: rank over(partition by course order by score desc nulls last)
总结:
在使用排名函数的时候需要注意以下三点:
1、排名函数必须有 OVER 子句。
2、排名函数必须有包含 ORDER BY 的 OVER 子句。
3、分组内从1开始排序。
转载:https://blog.csdn.net/weixin_38750084/article/details/82779910