Hive之Grouping Sets函数
对于经常需要对数据进行多维度的聚合分析的场景,您既需要对a列做聚合,也要对b列做聚合,同时要按照a、b两列同时做聚合,因此需要多次使用UNION ALL。使用GROUPING SETS可以快速解决此类问题。并且能优化stage的个数,提高执行效率。
1.建表
create table test
(id string,
os string,
device string,
city string);
2.准备数据
insert into test values
(1, 'windows', 'PC', 'Beijing'),
(2, 'windows', 'PC', 'Shijiazhuang'),
(3, 'linux', 'Phone', 'Beijing'),
(4, 'windows', 'PC', 'Beijing'),
(5, 'ios', 'Phone', 'Shijiazhuang'),
(6, 'linux', 'PC', 'Beijing'),
(7, 'windows', 'Phone', 'Shijiazhuang')
;
3.使用GROUPING SETS
进行分组
SELECT os,device, city ,COUNT(*)
FROM test
GROUP BY os, device, city GROUPING SETS((os, device), (city), ());
展示结果:
说明:分组集中不使用的表达式,会使用NULL充当占位符,使得这些结果集可以做UNION操作。例如结果第1-5行的city列
注:
hive中grouping sets 数量较多时如何处理?
可以使用如下设置来
set hive.new.job.grouping.set.cardinality = 30;
这条设置的意义在于告知解释器,group by之前,每条数据复制量在30份以内。