Hive+Hadoop数据分析模拟案例练习

需求分析

        对电影评分数据进行统计分析,最后以可视化的形式展示出来

数据获取与上传

        数据地址https://files.grouplens.org/datasets/movielens/

        选择100w条评分的数据

                解压后选择movies、ratings两个文件即可,在上传前需要用记事本打开这两个文件,将分隔符替换为逗号。将文件上传到Linux本地中。

        在hive中创建两个表

create table movies(
    movie_id int comment "电影ID",
    movie_name string comment "电影名称",
    movie_type string comment "电影类别")
row format delimited fields terminated by ',';
create table ratings(
    user_id int comment "用户ID",
    movie_id string comment "电影ID",
    movie_rank int comment "电影评分",
    rank_timestamp int comment "评分时间戳"
)row format delimited fields terminated bys ',';

         给表加载数据

load data local inpath '/data/root/env/movies.dat' into table movies;
load data local inpath '/data/root/env/ratings.dat' into table ratings;

        查看结果 

数据转换(ETL)

        进行简单的ETL,将数据取出后进行简单的转换然后存入新的表中

        将ratings表中的时间戳转换成年月日。因为hive不支持直接对表进行update和delete操作,所以需要创建新的表来完成。

        创建ratings2表

create table ratings2(
    user_id int comment "用户ID",
    movie_id string comment "电影ID",
    movie_rank int comment "电影评分",
    rank_day string comment "评分日期",
    rank_hour string comment "评分时间"
)row format delimited fields terminated by ',';

        对ratings表计算,使用from_unixtime()函数将时间戳转换成日期,用data函数取日期的年月日,用hour函数取日期的小时,并将结果插入到2表

insert overwrite table myhive.ratings2
select
    user_id,
    movie_id,
    movie_rank,
    DATE(from_unixtime(rank_timestamp)) as rank_day,
    hour(from_unixtime(rank_timestamp)) as rank_hour
from ratings;

        转换结果

 统计

        要求:

  • 统计每日评分总量
  • 统计每小时评分的数量和用户量
  • 统计各用户评分次数总量
  • 统计评分次数TOP10的用户
  • 统计各电影被评分次数和平均分
  • 统计平均分TOP10的电影
  • 统计观影次数TOP10的电影

        统计每日评分总量

        创建查询语句,创建count_everyday_rank表,它的内容为查询到的结果

create table count_everyday_rank
comment "每日评分总量" as
    select
        rank_day,
        count(*) as total_rank_count
    from ratings2 group by rank_day;

        统计每小时评分的数量和用户量

create table count_hour_rank
comment "每小时评分量" as
    select
        rank_hour,
        count(*) as total_rank_count,
        count(distinct user_id) as total_user
    from ratings2 group by rank_hour;

        统计各用户评分次数总量

create table count_everyone_rank
comment "每人的总评分次数" as
    select
        user_id,
        count(*) as all_count
    from ratings2 group by user_id;

        

        统计评分次数TOP10的用户

create table count_everyone_rank_top10
comment "评分次数top10用户" as
    select
        user_id,
        count(*) as all_count
    from ratings2 group by user_id
    order by all_count desc
limit 10;

        统计各电影被评分次数和平均分

create table movie_info
comment "电影评分次数和平均分" as
    select
        movie_id,
        count(*) as all_count,
        avg(movie_rank) as avg_rank
    from ratings2 group by movie_id;

        统计平均分TOP10的电影

        对于只有一个评价的电影且它的评分就是5,那么计算得到的平均分也是5,这样的数据是没有说服力的,所以需要至少拥有500个评分的电影来计算平均值。

create table movie_avg_rank_top10
comment "movie_avg_rank_top10" as
    select a.movie_id,m.movie_name,a.all_count,a.avg_rank
    from (
    select
        r.movie_id,
        count(*) as all_count,
        avg(movie_rank) as avg_rank
    from ratings2 r
    group by movie_id
    having all_count > 500
    order by avg_rank desc limit 10
    ) as a
    join movies m
    on a.movie_id=m.movie_id;

        统计观影次数TOP10的电影

create table movie_count_top10
comment "movie_count_top10" as
    select a.movie_id,m.movie_name,a.all_count
    from (
        select
            r.movie_id,
            count(*) as all_count
        from ratings2 r
        group by r.movie_id
        order by all_count desc limit 10
    ) as a
    join movies m
    on m.movie_id=a.movie_id;

数据展示

        使用FineBI连接hive数据库并展示数据

  • 4
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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