Hive 之中位数

什么是中位数？

中位数（Median）又称中值，统计学中的专有名词，是按顺序排列的一组数据中居于中间位置的数，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。

Hive 求中位数

在 Hive 中有两个函数可以求中位数，分别是：

- percentile(col,n)： col 表示需要求中位数的字段（必须为整型 int）；n 表示范围区间，可指定 0-1，当指定值为 0.5 时，表示求中位数。

- percentile_approx(col,n)： 与 percentile 唯一的区别就是它指定的字段只要是数值类型就可以。

示例

创建表：

create table if not exists test(
id int,
name string);

插入数据（奇数条数据）：

insert into test values(1,"张三"),(2,"李四"),(3,"王五"),(4,"詹姆斯"),(6,"浓眉"),(8,"威少"),(5,"库里"),(9,"维金斯"),(7,"汤普森");

插入后数据如下所示（乱序状态）：

根据 id 列求中位数（未排序）：

select percentile(id,0.5) from test;

输出结果为：5.0

根据 id 列求中位数（排序）：

select percentile(id,0.5) from (select * from test order by id)t1;

输出结果为：5.0

增加一条数据，将其变为偶数条数据。

insert into test values(10,"乔丹");

插入后数据如下所示（乱序状态）：

再次根据 id 列求中位数（未排序）：

select percentile(id,0.5) from test;

输出结果为：5.5

再次根据 id 列求中位数（排序）：

select percentile(id,0.5) from (select * from test order by id)t1;

输出结果为：5.5

可以发现我们手动排序并不会对结果造成影响。