大数据训练营-Hive SQL影评分析

数据解释

t_user 观众表（6000+ 条数据）

• 字段为：UserID, Sex, Age, Occupation, Zipcode
• 字段中文解释：用户 id，性别，年龄，职业，邮编
• 

t_movie 电影表（共 3000+ 条数据）

• 字段为：MovieID, MovieName, MovieType
• 字段中文解释：电影 ID，电影名，电影类型
• 

t_rating 影评表（100 万 + 条数据）

• 字段为：UserID, MovieID, Rate, Times
• 字段中文解释：用户 ID，电影 ID，评分，评分时间
•  

 数据下载：hive影评案例.zip-Hive文档类资源-CSDN下载

1.数据放到服务器上（略）
2.将数据放hdfs上（略）
3.从/data/hive copy一份数据到自己的hdfs文件夹下（/data/hive学习的时候该文件是共享的，为了不破坏大家使用，所以需要cp一份到自己的目录）
hadoop fs -cp /data/hive/users /user/jean/week4
hadoop fs -cp /data/hive/movies  /user/jean/week4
hadoop fs -cp /data/hive/ratings /user/jean/week4

数据准备：

-- 建t_movie表
CREATE TABLE `t_movie`(
  `movie_id` bigint COMMENT '电影id', 
  `movie_name` string COMMENT '电影名字', 
  `movie_type` string COMMENT '电影类型')
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe' 
WITH SERDEPROPERTIES ( 
  'field.delim'='::') -- 按::进行分隔，如果数据本身是别的分隔符，按具体情况选择，例如：\t
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  '/user/jean/week4/movies' -- hdfs文件路径
TBLPROPERTIES (
  'bucketing_version'='2', 
  'transient_lastDdlTime'='1648533877');

-- 建t_rating表
CREATE TABLE `t_rating`(
  `user_id` int COMMENT '用户id', 
  `movie_id` bigint COMMENT '电影id', 
  `rate` int COMMENT '评分', 
  `times` string COMMENT '评分时间')
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe' 
WITH SERDEPROPERTIES ( 
  'field.delim'='::') 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
	  '/user/jean/week4/ratings' -- hdfs文件路径
TBLPROPERTIES (
  'bucketing_version'='2', 
  'transient_lastDdlTime'='1648534400');

-- 建t_user表
CREATE TABLE `t_user`(
  `user_id` int COMMENT '用户id', 
  `sex` string COMMENT '性别', 
  `age` int COMMENT '年龄', 
  `occupation` string COMMENT '职业', 
  `zip_code` bigint COMMENT '邮编')
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe' 
WITH SERDEPROPERTIES ( 
  'field.delim'='::') 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  '/user/jean/week4/users'  -- hdfs文件路径
TBLPROPERTIES (
  'bucketing_version'='2', 
  'transient_lastDdlTime'='1648534260')

题目一（简单）：展示电影 ID 为 2116 这部电影各年龄段的平均影评分。

 解析：方法一（比较冗余）

SELECT
	u.age AS age,
	AVG(m.rate) AS avgrate
FROM
	t_user AS u
JOIN (
	SELECT
		b.rate AS rate,
		b.user_id AS user_id
	FROM
		t_movie AS a
	INNER JOIN (
		SELECT
			*
		FROM
			t_rating
		WHERE
			movie_id = 2116
	) AS b ON a.movie_id = b.movie_id
	WHERE
		a.movie_id = 2116
) m ON u.user_id = m.user_id
GROUP BY
	age
ORDER BY
	age;

解析：方法二 （推荐）

SELECT
	c.age,
	avg(b.rate)
FROM
	t_movie a
JOIN t_rating b ON a.movie_id = b.movie_id
JOIN t_user c ON c.user_id = b.user_id
WHERE
	a.movie_id = 2116
GROUP BY
	c.age
ORDER BY
	c.age;

解题思路：3表联合join 的使用

题目二（中等）：找出男性评分最高且评分次数超过 50 次的 10 部电影，展示电影名，平均影评分和评分次数。

 解析：(注意：先平均 在排序取高)

create temporary table answer2 as 
select 
"M" as sex, c.movie_name as name, avg(a.rate) as avgrate, count(c.movie_name) as total  
from t_rating a 
join t_user b on a.user_id=b.user_id 
join t_movie c on a.movie_id=c.movie_id 
where b.sex="M" 
group by c.movie_name 
having total > 50
order by avgrate desc 
limit 10;

题目三（选做）：找出影评次数最多的女士所给出最高分的 10 部电影的平均影评分，展示电影名和平均影评分（可使用多行 SQL）。

  解析：可以创键临时表 (注意：先排序取高 在取平均)

 # 女性影评次数最多，use_id=1150 
create table answer1_f as 
select a.user_id from t_user a join t_rating b on a.user_id=b.user_id where a.sex = "F" group by a.user_id ORDER BY COUNT(1) DESC limit 1; 

# 评分最高的电影
create table answer2 as 
select movie_id,rate from t_rating where user_id = 1150 order by rate desc limit 10; 

create table answer3 as 
select b.movie_id as movieid, c.movie_name as moviename, avg(b.rate) as avgrate 
from answer2 a 
join t_rating b on a.movie_id=b.movie_id 
join t_movie c on b.movie_id=c.movie_id 
group by b.movie_id,c.movie_name;