在开窗函数出现之前,存在着很多用 SQL 语句很难解决的问题,很多都要通过复杂的相关子查询或者存储过程来完成。为了解决这些问题,在2003年ISO SQL标准加入了开窗函数,开窗函数的使用使得这些经典的难题可以被轻松的解决 ;
SQL标准允许将所有聚合函数用做开窗函数,只需要在聚合函数后加over()即可
案例演示
1.hive环境下建表与加载数据
vi t1.txt
u01 2017/1/21 5
u02 2017/1/23 6
u03 2017/1/22 8
u04 2017/1/20 3
u01 2017/1/23 6
u01 2017/2/21 8
U02 2017/1/23 6
U01 2017/2/22 4
create table if not exists tb1(
userId string,
visitDate string,
visitCount int
)
row format delimited fields terminated by '\t';
load data local inpath '/home/hadoop/test/t1.txt' into table tb1;
2. SQL脚本实现
select
tmp.userId,
tmp.visitDate,
tmp.visitCount,
sum(visitCount) over(partition by tmp.userId order by tmp.visitDate rows between unbounded preceding and current row) sumsum
from(select
lower(userId) userId,
trim(from_unixtime(unix_timestamp(visitDate,'yyyy/MM/dd'),'yyyy-MM')) visitDate,
sum(visitCount) visitCount
from tb1
group by lower(userId),trim(from_unixtime(unix_timestamp(visitDate,'yyyy/MM/dd'),'yyyy-MM'))) tmp;
3.实现效果
开窗函数(over())
开窗函数(over())包含三个分析子句:
分组子句(partition by)
排序子句(order by)
窗口子句(rows)
开窗函数(over())使用形式如下:
over(partition by xxx order by yyy rows between zzz)
开窗函数里的"窗",即"窗口",表示分析函数分析时要处理的数据范围
比如分析函数sum(),它所针对的数据范围为窗口中的记录,而不是整个表的记录
要获取某个范围的sum值,则需在窗口指定具体的数据范围
比如指定该窗口从该分组中的第一行到最后一行,那么该组中的每一个sum值都会一样,即整个组的总和
窗口子句除了rows方式的窗口,还包括range方式和滑动窗口
排序子句(order by)
排序子句的使用方法跟sql中的order by一样,如:order by colA desc, colB asc nulls first, colC nulls last
开窗函数的order by和sql语句的order by的执行时机
分析及开窗函数是在整个sql查询结束后再进行的, 即sql语句的order by也会影响分析函数的执行结果,有以下两种情况:
1) 两者一致,即sql语句中的order by语句与开窗函数的order by一致,则sql语句中的order by先执行,分析函数在分析时就不必再排序
2) 两者不一致,即sql语句中的order by语句与开窗函数的order by不一致,则分析及开窗函数先分析排序,sql语句中的order by再最后执行
窗口子句(rows)
如果没有窗口子句(rows),则默认当前组的第一行到当前行
无论是否省略分组子句,都有:
窗口子句(rows)不能单独存在,必须有order by子句时才能出现
相反,有order by子句,可以没有窗口子句(rows)
当省略窗口子句时
如果存在order by,则默认的窗口是unbounded preceding and current row,即当前组的第一行到当前行
如果不存在order by,则默认的窗口是unbounded preceding and unbounded following,即整个组
例如:lag(sal) over(order by sal)
over(order by salary)表示意义如下:
1) 由于省略分组子句,所以当前组的范围为整个表的数据行
2) 在当前组(此时为整个表的数据行)这个范围里执行排序,即order by salary
3) 分析函数lag(sal)在当前组(此时为整个表的数据行)这个范围里的窗口范围为当前组的第一行到当前行,即分析函数lag(sal)在这个窗口范围执行
窗口子句(rows)的相关关键字:
preceding:表示在...之前
1 preceding:表示当前记录的前1条记录
2 preceding:表示当前记录的前2条记录
n preceding:表示当前记录的前n条记录
unbounded preceding:不受控制的,无限的,
若无分组,则表示所有记录的第1条记录
若有分组,则表示分组后,组内的第1条记录
following:表示在...之后
1 following:表示当前记录的后一条记录
2 following:表示当前记录的后两条记录
n following:表示当前记录的后n条记录
unbounded following:不受控制的,无限的,
若无分组,则表示所有记录的最后一条记录
若有分组,则表示分组后,组内的最后一条记录
相关用例:
rows between unbounded preceding and unbounded following:针对所有记录
rows between unbounded preceding and current row:针对第一条记录到当前记录
rows between current row and unbounded following:针对当前记录到最后一条记录
rows between 1 preceding and current row:针对当前记录的上一行记录到当前行记录
rows between current row and 3 following:针对当前记录到当前行记录的后三条记录
rows between 1 preceding and 2 following:针对当前记录的上一条记录 ~~ 当前行记录的后两条记录
当开窗函数over()出现分组(partition by)子句时
unbounded preceding即表中一个分组里的第一行,unbounded following即表中一个分组里的最后一行
当开窗函数over()省略了分组(partition by)子句时
unbounded preceding即表中的第一行, unbounded following即表中的最后一行