hive rand函数_Hive进阶—抽样的各种玩法

抽样

抽样在Hive 中也是比较常用的一种手段，主要用在下面的几个场景中

1. 一些机器学习的场景中，数仓作为数据的提供方提供样本数据

2. 数据的计算结果异常或者是指标异常，这个时候如果我们往往需要确认数据源的数据是否本身就有异常

3. SQL的性能有问题的时候我们也会使用抽样的方法区查看数据，然后进行SQL调优

4. 在大规模数据量的数据分析及建模任务中，往往针对全量数据进行挖掘分析时会十分耗时和占用集群资源，因此一般情况下只需要抽取一小部分数据进行分析及建模操作。

随机抽样(rand()函数)

我们一般情况下是使用排序函数和rand() 函数来完成随机抽样，limit关键字限制抽样返回的数据，不同之处再有我们使用哪个排序函数呢

利用 rand() 函数进行抽取，这是因为rand() 返回一个0到1之间double 类型的随机值。

下面我们用到了前面我们使用过的一张表大概4603089 条记录，这里我就不给大家准备数据了，大家可以看Hive进阶之数据存储格式来获取测试数据

create table ods_user_bucket_log(
     id int,
     name string,
     city string,
     phone string,
     acctime string)
CLUSTERED BY (`id` ) INTO 5 BUCKETS 
row format delimited fields terminated by '\t'
stored as textfile;
insert overwrite table ods_user_bucket_log select * from ods_user_log;

order by rand()

order by只会启用一个reduce所以比较耗时，至于为什么我们在前面的文章中解释过了Hive语法之常见排序方式

因为order by 是全局的，所以可以做到随机抽样的目的

select * from ods_user_bucket_log order by rand() limit 10;