欢迎关注公众号——《数据三分钟》
一线大厂的师兄师姐结合自己的工作实践,将数据知识浅显道来,每天三分钟,助你成为数据达人。还有面试指导和内推机会。
over window是传统数据库的标准开窗函数,在开窗函数中,每一个元素都触发一个窗口计算,每一个窗口里的元素由当前元素及其相邻元素组成,换句话说,你和你的小伙伴排成一个队伍,那么每个人和满足一定条件的相邻的人可以组成一个小组,同一个人可能属于多个小组,这也是流式数据在开窗计算时的典型现象。简单来说,对流式数据进行开窗计算是为了获取该元素及其周围元素的某个聚合结果,例如累和、最大值、最小值等,而在流式开窗计算中,触发计算的元素一定是当前窗口的最后一条记录。
1、over window的分类
在流式计算中,窗口一般可以根据触发计算的方式不同分为两类:
一、按照数据行来划分窗口,每一行数据行触发一次窗口计算,即rows over window;
二、按照数据达到的时间来划分窗口,每一个到达的时间节点触发一次窗口计算,即range over window。
2、rows over window
按数据行去开窗计算的情形又可以分为两类,第一种是针对无界数据流,也就是unbounded data stream,另一种是有界数据流,即bounded data stream,这两种情况下窗口聚合的触发是不一样的,如下图所示:
在上图中,可以看到w6和w7这两个窗口的数据是同一时间到达的,但是计算却分在了两个不同的窗口,这也是rows over window区别于range over window的地方。
我们设想这样一个场景:统计浏览某个网页的同性别中最近三个人的最大年龄。这是一个典型的bounded data stream。假设测试数据如下:
用户ID(user_id) |
性别(gender) |
访问时间(visitor_time) |
年龄(age) |
user1 |
男 |
2021-06-18 12:01 |
19 |
user2 |
男 |
2021-06-18 12:02 |
20 |
user3 |
男 |
2021-06-18 12:03 |
18 |
u |