目录
💟这里是CS大白话专场,让枯燥的学习变得有趣!
💟没有对象不要怕,我们new一个出来,每天对ta说不尽情话!
💟好记性不如烂键盘,自己总结不如收藏别人!
💌先建一个员工开销表:
💌接下来我们来区分下列语句的区别~
🧡order by
💌全局排序,只有一个Reducer。
🍠默认asc(升序),结尾加desc(降序)。
select * from business order by cost;
🍠如果存在相同的数值,则可以多加一个字段(最好唯一)进行二次排序。
🧡sort by
💌order by效率较低,使用sort by设置多个Reducer,为每个Reducer产生一个排序文件,每个Reducer内部进行排序,并非全局排序。
set mapreduce.job.reduces=3;
set mapreduce.job.reduces;
select * from business sort by id;
💌可以看到单独使用sort by并没啥效果...所以最好搭配distribute by。
🧡distribute by
💌控制某个特定行应该到哪个reducer,根据分区字段的hash码与reduce的个数进行模除后,余数相同的分到一个区。
🍠先通过id分区,再通过开销升序排序:
select * from business distribute by id sort by cost;
🧡cluster by
💌当distribute by和sort by(搭配)字段相同时,可以使用cluster by方式,但是排序只能是升序。以下两种方式等价:
select * from business distribute by id sort by id;
select * from business cluster by id;
🧡partition by
💌类似distribute by,与order by搭配,都不会减少原表中的行数。
select
id,
name,
sum(cost) over (partition by name) total_cost
from
business;
💌与窗口函数over()相关的函数:
over()前:
🍠聚合函数:
avg()、sum()、max()、min()、count()。
🍠排序:
rank() :排序相同时会重复,总数不会变,即11345。
dense_rank() :排序相同时会重复,总数会减少,即11234。
row_number() :会根据顺序计算,即12345。
over()内:
CURRENT ROW:当前行
n PRECEDING:往前n行数据
n FOLLOWING:往后n行数据
UNBOUNDED:无界限
UNBOUNDED PRECEDING:表示从起点
UNBOUNDED FOLLOWING:表示到终点
LAG(col,n,default_val):往前第n行数据,往下移n行
LEAD(col,n, default_val):往后第n行数据,往上移n行
NTILE(n):把有序窗口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。比如n=5,将数据分成五组,方便取每组数据。
select
name,
cost,
sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and CURRENT ROW) total_cost
from
business;
🧡group by
💌类似distribute by,但是会减少原表中的行数。
select
name,
sum(cost) total_cost
from
business
group by name;
🍠select后第一个字段为分组字段。