Hive中的开窗操作over()

最新推荐文章于 2023-04-20 09:29:38 发布
最新推荐文章于 2023-04-20 09:29:38 发布
阅读量905 收藏 2
点赞数
分类专栏： 大数据学习之路 笔记
小卧底
本文链接：https://blog.csdn.net/qq_37276835/article/details/112346374
版权

前提

over() 可以为 聚合函数，窗口函数和分析函数进行开窗操作；
开窗之后，每一行的数据都会对应一个数据窗口，这个数据窗口中的数据可能会随着行的变化而变化。

over(参数) 中可以指定的参数

over() 开窗开出来的数据是整个查询结果排除开窗操作，都执行完之后的数据。也可以说是开窗操作是在整个select查询结束后才执行的，因此开窗出来的数据也是在当前select的查询结果上进行划分的。

over中可以指定的参数(官方定义： WINDOW specification)：

(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
rows 限定的是行所在的范围，range限定的是某一列的值所在的范围

  • partition by col：按照col进行分区（类似于分组），每个分区拥有自己独立的数据窗口
  • order by col：窗口中的数据按照col进行排序；
  • current row ：当前行
  • n preceding：往前n行数据
  • n following：往后n行数据
  • unbounded：有两种边界值：unbounded preceding 表示所开窗出来的起始数据（最小值）；unbounded following 表示所开窗出来的最后一行数据（最大值）。

两个常用的窗口函数,配合over开窗来使用

  1. lag(col, n) 获取当前行往前第n行col列的数据，也可以指定默认值。
  2. lead(col, n) 获取当前行往后第n行col列的数据。

常用的分析函数

  1. RANK 排名，排序相同时会重复，总数不变：1,1,3,4
  2. ROW_NUMBER 根据顺序计算，相同元素的排名不会重复 ：1,2,3,4
  3. DENSE_RANK (稠密的排名) 相同元素的排名会重复，但是总数会减少：1,1,2,3
  4. NTILE(n), 为开窗出来的每行数据进行分组编号， n为指定的分组个数，返回每行数据的分组编号。当数据不能均匀分布时，默认从第一个组开始一次增加一个元素，不同组别之间的元素的个数最多相差一个元素

接下来我们通过例子，更加直观的学习上述所述的开窗相关的内容。

数据准备

name	orderdate	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

创建表并加载数据

create table business(
name string, 
orderdate string,
cost int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

load data local inpath "/opt/module/datas/business.txt" into table business;

查询表中的所有元素

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

查询在2017年4月份购买过的顾客及总人数（over() 简单的使用）

select
	name,
	count(*) over()
from business
where substring(orderdate, 1, 7)='2017-04'
group by name;

结果：
+----+------------------------------------------------------------------------+
|name|count(1) OVER (ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING)|
+----+------------------------------------------------------------------------+
|mart|2                                                                       |
|jack|2                                                                       |
+----+------------------------------------------------------------------------+

上述代码我们通过spark on hive的方式来访问hive中的数据，加快执行效率；如果没有spark，可以之间在hive shell中运行hql语句

partition by col测试：查询顾客的购买明细及月购买总额

    val spark: SparkSession = SparkSession.builder()
      .appName("HiveRead").master("local[*]")
      .enableHiveSupport()
      .config("spark.sql.warehouse.dir", "hdfs://hadoop102:9000/user/hive/warehouse")
      .getOrCreate()
    spark.sql(
      """
        |select
        | name,
        | orderdate,
        | cost,
        | sum(cost) over(partition by month(orderdate))
        |from business
        |""".stripMargin
    ).show(false)

结果：
+----+----------+----+-------------------------------------------------------------------------------------------------------------------------------------+
|name|orderdate |cost|sum(CAST(cost AS BIGINT)) OVER (PARTITION BY month(CAST(orderdate AS DATE)) ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING)|
+----+----------+----+-------------------------------------------------------------------------------------------------------------------------------------+
|jack|2017-01-01|10  |205                                                                                                                                  |
|tony|2017-01-02|15  |205                                                                                                                                  |
|tony|2017-01-04|29  |205                                                                                                                                  |
|jack|2017-01-05|46  |205                                                                                                                                  |
|tony|2017-01-07|50  |205                                                                                                                                  |
|jack|2017-01-08|55  |205                                                                                                                                  |
|neil|2017-06-12|80  |80                                                                                                                                   |
|neil|2017-05-10|12  |12                                                                                                                                   |
|jack|2017-04-06|42  |341                                                                                                                                  |
|mart|2017-04-08|62  |341                                                                                                                                  |
|mart|2017-04-09|68  |341                                                                                                                                  |
|mart|2017-04-11|75  |341                                                                                                                                  |
|mart|2017-04-13|94  |341                                                                                                                                  |
|jack|2017-02-03|23  |23                                                                                                                                   |
+----+----------+----+-------------------------------------------------------------------------------------------------------------------------------------+


Process finished with exit code 0

通过partition by 将开窗中的数据按照月份进行分组，每组对应于独立的数据窗口

order by 测试（更改上述例子，将cost进行累加）

    spark.sql(
      """
        |select
        | name,orderdate,cost,
        | sum(cost) over(partition by name order by orderdate)
        |from business
        |""".stripMargin
    ).show(false)
结果：
+----+----------+----+---------------------------------------------------------------------------------------------------------------------------------------+
|name|orderdate |cost|sum(CAST(cost AS BIGINT)) OVER (PARTITION BY name ORDER BY orderdate ASC NULLS FIRST RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)|
+----+----------+----+---------------------------------------------------------------------------------------------------------------------------------------+
|mart|2017-04-08|62  |62                                                                                                                                     |
|mart|2017-04-09|68  |130                                                                                                                                    |
|mart|2017-04-11|75  |205                                                                                                                                    |
|mart|2017-04-13|94  |299                                                                                                                                    |
|jack|2017-01-01|10  |10                                                                                                                                     |
|jack|2017-01-05|46  |56                                                                                                                                     |
|jack|2017-01-08|55  |111                                                                                                                                    |
|jack|2017-02-03|23  |134                                                                                                                                    |
|jack|2017-04-06|42  |176                                                                                                                                    |
|tony|2017-01-02|15  |15                                                                                                                                     |
|tony|2017-01-04|29  |44                                                                                                                                     |
|tony|2017-01-07|50  |94                                                                                                                                     |
|neil|2017-05-10|12  |12                                                                                                                                     |
|neil|2017-06-12|80  |92                                                                                                                                     |
+----+----------+----+---------------------------------------------------------------------------------------------------------------------------------------+


Process finished with exit code 0

额外补充

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 business;

关于over中的窗口子句order by的特别说明（官方说明）

这里仔细观察上述order by的例子，我们就会有一个疑问：为什么使用了order by 就可以进行累加操作了呢？
hive的官方文档给出了解答：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics

  1. When ORDER BY is specified with missing WINDOW clause, the WINDOW specification defaults to RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW.（大致意思：当order by单独出现在over中，而没有窗口子句，那么窗口子句存在默认值：RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW）

  2. When both ORDER BY and WINDOW clauses are missing, the WINDOW specification defaults to ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING.(大致意思：当order by 和窗口子句都不存在的时候，over中的默认限定：ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING)

查看顾客上次的购买时间（lag测试）

//TODO 查询上次顾客购买的时间
spark.sql(
  """
    |select
    | name, orderdate, cost,
    | lag(orderdate, 1, '1997-03-15') over(partition by name order by orderdate)
    |from business
    |""".stripMargin
).show(false)

结果：
+----+----------+----+----------------------------------------------------------------------------------------------------------------------------------+
|name|orderdate |cost|lag(orderdate, 1, 1997-03-15) OVER (PARTITION BY name ORDER BY orderdate ASC NULLS FIRST ROWS BETWEEN 1 PRECEDING AND 1 PRECEDING)|
+----+----------+----+----------------------------------------------------------------------------------------------------------------------------------+
|mart|2017-04-08|62  |1997-03-15                                                                                                                        |
|mart|2017-04-09|68  |2017-04-08                                                                                                                        |
|mart|2017-04-11|75  |2017-04-09                                                                                                                        |
|mart|2017-04-13|94  |2017-04-11                                                                                                                        |
|jack|2017-01-01|10  |1997-03-15                                                                                                                        |
|jack|2017-01-05|46  |2017-01-01                                                                                                                        |
|jack|2017-01-08|55  |2017-01-05                                                                                                                        |
|jack|2017-02-03|23  |2017-01-08                                                                                                                        |
|jack|2017-04-06|42  |2017-02-03                                                                                                                        |
|tony|2017-01-02|15  |1997-03-15                                                                                                                        |
|tony|2017-01-04|29  |2017-01-02                                                                                                                        |
|tony|2017-01-07|50  |2017-01-04                                                                                                                        |
|neil|2017-05-10|12  |1997-03-15                                                                                                                        |
|neil|2017-06-12|80  |2017-05-10                                                                                                                        |
+----+----------+----+----------------------------------------------------------------------------------------------------------------------------------+


Process finished with exit code 0

关于over开窗的另一种写法，可以在from语句后面用window as over条件 （条件内容）进行代替，具体写法如下：

//TODO 查询上次顾客购买的时间, 另一种写法
spark.sql(
  """
    |select
    | name, orderdate, cost,
    | lag(orderdate, 2) over w
    |from business
    |window w as (partition by name order by orderdate)
    |""".stripMargin
).show(false)

结果：
+----+----------+----+----------------------------------------------------------------------------------------------------------------------------+
|name|orderdate |cost|lag(orderdate, 2, NULL) OVER (PARTITION BY name ORDER BY orderdate ASC NULLS FIRST ROWS BETWEEN 2 PRECEDING AND 2 PRECEDING)|
+----+----------+----+----------------------------------------------------------------------------------------------------------------------------+
|mart|2017-04-08|62  |null                                                                                                                        |
|mart|2017-04-09|68  |null                                                                                                                        |
|mart|2017-04-11|75  |2017-04-08                                                                                                                  |
|mart|2017-04-13|94  |2017-04-09                                                                                                                  |
|jack|2017-01-01|10  |null                                                                                                                        |
|jack|2017-01-05|46  |null                                                                                                                        |
|jack|2017-01-08|55  |2017-01-01                                                                                                                  |
|jack|2017-02-03|23  |2017-01-05                                                                                                                  |
|jack|2017-04-06|42  |2017-01-08                                                                                                                  |
|tony|2017-01-02|15  |null                                                                                                                        |
|tony|2017-01-04|29  |null                                                                                                                        |
|tony|2017-01-07|50  |2017-01-02                                                                                                                  |
|neil|2017-05-10|12  |null                                                                                                                        |
|neil|2017-06-12|80  |null                                                                                                                        |
+----+----------+----+----------------------------------------------------------------------------------------------------------------------------+


Process finished with exit code 0

lead测试

    //TODO 查询顾客下次购买时间
    spark.sql(
      """
        |select
        | name, orderdate, cost,
        | lead(orderdate, 1) over overcondition
        |from business
        |window overcondition as (partition by name order by orderdate)
        |""".stripMargin
    ).show(false)

结果：
+----+----------+----+-----------------------------------------------------------------------------------------------------------------------------+
|name|orderdate |cost|lead(orderdate, 1, NULL) OVER (PARTITION BY name ORDER BY orderdate ASC NULLS FIRST ROWS BETWEEN 1 FOLLOWING AND 1 FOLLOWING)|
+----+----------+----+-----------------------------------------------------------------------------------------------------------------------------+
|mart|2017-04-08|62  |2017-04-09                                                                                                                   |
|mart|2017-04-09|68  |2017-04-11                                                                                                                   |
|mart|2017-04-11|75  |2017-04-13                                                                                                                   |
|mart|2017-04-13|94  |null                                                                                                                         |
|jack|2017-01-01|10  |2017-01-05                                                                                                                   |
|jack|2017-01-05|46  |2017-01-08                                                                                                                   |
|jack|2017-01-08|55  |2017-02-03                                                                                                                   |
|jack|2017-02-03|23  |2017-04-06                                                                                                                   |
|jack|2017-04-06|42  |null                                                                                                                         |
|tony|2017-01-02|15  |2017-01-04                                                                                                                   |
|tony|2017-01-04|29  |2017-01-07                                                                                                                   |
|tony|2017-01-07|50  |null                                                                                                                         |
|neil|2017-05-10|12  |2017-06-12                                                                                                                   |
|neil|2017-06-12|80  |null                                                                                                                         |
+----+----------+----+-----------------------------------------------------------------------------------------------------------------------------+


Process finished with exit code 0

ntile（n）测试，用于给数据进行分组编号，方便取前（后）m%的数据， n为分组的个数

例如：查询前20%时间的订单信息（可以将数据分成5组，取组别编号为1的数据（按照时间排序））

    //TODO ntile(n)测试，取前20%时间的数据. 可以将数据进行编号处理，分为5组，取出组号为1的数据，记为前20%的数据
    spark.sql(
      """
        |select
        | name,orderdate, cost,
        | ntile(6) over(order by orderdate) as gn
        |from business
        |""".stripMargin
    ).createOrReplaceTempView("t1")

    println("=============")
    spark.sql(
      """
        |select
        | name,orderdate, cost,
        | ntile(6) over(order by orderdate) as gn
        |from business
        |""".stripMargin
    ).show(false)

    println("=============")
    spark.sql(
      """
        |select
        | name,orderdate,cost
        |from t1
        |where gn=1
        |""".stripMargin
    ).show(false)


结果：
=============
+----+----------+----+---+
|name|orderdate |cost|gn |
+----+----------+----+---+
|jack|2017-01-01|10  |1  |
|tony|2017-01-02|15  |1  |
|tony|2017-01-04|29  |1  |
|jack|2017-01-05|46  |2  |
|tony|2017-01-07|50  |2  |
|jack|2017-01-08|55  |2  |
|jack|2017-02-03|23  |3  |
|jack|2017-04-06|42  |3  |
|mart|2017-04-08|62  |4  |
|mart|2017-04-09|68  |4  |
|mart|2017-04-11|75  |5  |
|mart|2017-04-13|94  |5  |
|neil|2017-05-10|12  |6  |
|neil|2017-06-12|80  |6  |
+----+----------+----+---+

=============
+----+----------+----+
|name|orderdate |cost|
+----+----------+----+
|jack|2017-01-01|10  |
|tony|2017-01-02|15  |
|tony|2017-01-04|29  |
+----+----------+----+


Process finished with exit code 0

排名函数测试

    //TODO rank, row_number, dense_rank
    spark.sql(
      """
        |select
        | name,orderdate,cost,
        | rank() over(partition by name order by orderdate) as rk,
        | dense_rank() over(partition by name order by orderdate) as dr,
        | row_number() over(partition by name order by orderdate) as rn
        |from business
        |""".stripMargin
    ).show(false)

结果：
+----+----------+----+---+---+---+
|name|orderdate |cost|rk |dr |rn |
+----+----------+----+---+---+---+
|mart|2017-04-08|62  |1  |1  |1  |
|mart|2017-04-09|500 |2  |2  |2  |
|mart|2017-04-09|68  |2  |2  |3  |
|mart|2017-04-11|75  |4  |3  |4  |
|mart|2017-04-13|94  |5  |4  |5  |
|jack|2017-01-01|10  |1  |1  |1  |
|jack|2017-01-05|46  |2  |2  |2  |
|jack|2017-01-08|50  |3  |3  |3  |
|jack|2017-01-08|55  |3  |3  |4  |
|jack|2017-02-03|23  |5  |4  |5  |
|jack|2017-04-06|50  |6  |5  |6  |
|jack|2017-04-06|42  |6  |5  |7  |
|tony|2017-01-02|15  |1  |1  |1  |
|tony|2017-01-04|29  |2  |2  |2  |
|tony|2017-01-07|50  |3  |3  |3  |
|neil|2017-05-10|100 |1  |1  |1  |
|neil|2017-05-10|12  |1  |1  |2  |
|neil|2017-06-12|80  |3  |2  |3  |
+----+----------+----+---+---+---+
小卧底
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
HIVE over() 超全讲解
csdn问鼎
06-16 2万+
over() over() 函数在Hive中运用广泛，通常搭配row_number() ,min(),max(),sum()来使用,总结下over函数划定窗口的范围 id name num 1 a 1 2 b 3 3 a 5 4 c 9 5 b 3 over() 此时每一行的窗口都是所有的行 SELECT id,name,num, sum(num) ov...
hive开窗函数知识点总结.txt
05-24
工作中用到了几个hive开窗函数,便想把hive开窗函数系统梳理一遍。 开窗函数 普通的聚合函数聚合的行集是组,开窗函数聚合的行集是窗口。因此,普通的聚合函数每组(Group by)只返回一个值，而开窗函数则可为窗口中的每行都返回一个值。简单理解，就是对查询的结果多出一列，这一列可以是聚合值，也可以是排序值。 开窗函数一般分为两类,聚合开窗函数和排序开窗函数。
hive的开窗函数篇
qq_40202995的博客
02-22 1万+
hive的开窗函数over（）
Hive补充之窗口函数
Maynor996的博客
03-09 1488
我们在使用over()窗口函数时，over()函数中的这三个函数可组合使用也可以不使用。我们常使用的窗口范围是ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW（表示从起点到当前行），常用该窗口来计算累加。ntile(n) 把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1开始，对于每一行，ntile返回此行所属的组的编号。over()函数中如果不使用这三个函数，窗口大小是针对查询产生的所有数据，如果指定了分区，窗口大小是针对每个分区的数据。
hive窗口函数over()
TU_JCN的博客
07-23 2905
over()，指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。
Hive中over详解
m0_57320261的博客
10-24 1589
over() over() 函数在Hive中运用广泛，通常搭配row_number() ,min(),max(),sum()来使用,总结下over函数划定窗口的范围 over() 此时每一行的窗口都是所有的行 SELECT id,name,num, sum(num) over() sum1 from aa over(order by id) id=1的窗口只有一行，id=2的窗口包括id=1,id=2 SELECT id,name,num, sum(num) over(orde...
Hive 窗口函数（开窗函数） over
热门推荐
不是一枚开发
09-16 6万+
文章目录OVER函数1.含义：2.示例： OVER函数 1.含义： 窗口函数主要解决 分析整体数据时，多个数据和一个结果对应，为每一条数据开启指定行范围的窗口； over() 指定 分析函数 工作时的数据窗口大小，这个窗口大小可能会随行的改变而改变； 用于between … and … 表示范围概念： CURRENT ROW：当前行 n PRECEDING：往前n行数据 n FOLLOWING：往后n行数据 UNBOUNDED：起点， UNBOUNDED PRECEDING 表示从前面的起点， UNBOUN
Hive窗口函数详解——及3套案例
肥宅小谢的博客
06-18 952
前言：要先了解窗口函数的结构，over（）才是窗口函数，而avg()、sum()、max()、min()等是与over（）分析函数 一，hive窗口函数语法 首先，avg()、sum()、max()、min()等是分析函数，而over()才是窗口函数 ...
hive窗口函数（over）详解
weixin_43866709的博客
08-01 3956
hive窗口函数： 一.函数说明： OVER():指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化 CURRENT ROW:当前行 n PRECEDING:往前n行数据 n FOLLOWING:往后n行数据 UNBOUNDED:起点，UNBOUNDED PRECEDING表示从前面的起点，UNBOUNDED FOLLOWING表示到后面的终点 LAG(col,n)往前第n行数...
Hive中查询操作
01-20
starting with Hive 0.13.0) SELECT [ALL | DISTINCT] select_expr, select_expr, ... FROM table_reference [WHERE where_condition] [GROUP BY col_list] [ORDER BY col_list] [CLUSTER BY col_list | [DISTRIBUTE...
hive开窗函数.docx
08-24
hive开窗函数
hive开窗函数详细介绍
03-28
hive开窗函数
Hive之DML数据操作
01-07
Hive简介：https://blog.csdn.net/weixin_45102492/article/details/104418259 Hive安装部署 ： https://blog.csdn.net/weixin_45102492/article/details/104418666 Hive数据类型： ...Hive
Hive——over（窗口函数）详解
d_l_w_d_l_w的博客
10-08 1690
over() over() 函数在Hive中运用广泛，通常搭配row_number() ,min(),max(),sum()来使用,总结下over函数划定窗口的范围 over() 因为没设置窗口范围，此时每一行的窗口都是所有的行。 SELECT id, name, num, sum(num) over() sum1 from aa 也就是每一行后面的sum1是对所有行的num进行sum(num)操作，如果设置好窗口范围，每一行后面的结果是对以当前行为中心按照窗口范围内的行进行sum(
hive：窗口函数/开窗函数 OVER()（笔记）
不花的花和尚的博客
02-27 1222
6.7.4窗口函数（开窗函数） 1．相关函数说明 OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。 CURRENT ROW：当前行 nPRECEDING：往前n行数据 nFOLLOWING：往后n行数据 UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDEDFOLLOWING表示到后面的终点...
Hive窗口函数Over和排序函数Rank
liuwei0376的专栏
03-24 1223
Hive窗口函数Over和排序函数Rank划重点简介概念数据准备实例聚合函数+overpartition by子句order by子句window子句`★`窗口函数中的序列函数NTILE`★`row_number、rank、dense_rankLAG和LEAD函数first_value 和 last_value 划重点 1、聚合函数+over 2、partition by子句 3、order by...
HQL window 窗口函数
技术大神之路
09-11 1335
HQL窗口函数声明：资料整理于网络，仅供参考学习，如有侵权，概不负责。数据准备Over函数NTILEROW_NUMBERRANK 和 DENSE_RANKCUME_DIST 和 PERCENT_RANKCUME_DISTPERCENT_RANKLAG LEAD FIRST_VALUE LAST_VALUELAGLEADFIRST_VALUE 和 LAST_VALU...
Hive窗口函数全解
ytp552200ytp的博客
04-20 914
Hive窗口函数
大数据学习之路 JUC篇
小卧底的博客
08-24 1606
大数据学习之路 JUC篇 JUC: java.util.concurrent java.util.concurrent.atomic java.util.concurrent.locks 什么是 进程、线程？ 参考文章 什么是 并发、并行？ 参考文章 线程的几种状态 Thread.State 枚举类查看线程的各种状态 NEW（新建）； RUNNABLE（就绪）； BLOCKED（阻塞）； WAITING（等待）一直等待，不见不散； TIMED_WAITING（超时等待）等待一定的时候后，不再等待； T
hive的开窗函数介绍
最新发布
09-09
Hive中的开窗函数是一种可以在窗口中对行集进行聚合的函数。与普通的聚合函数不同，普通的聚合函数聚合的行集是组，而开窗函数聚合的行集是窗口。因此，开窗函数可以为窗口中的每一行返回一个值。开窗函数的语法结构...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值