Hive(十一)--数据去重及row_number()

distinct会整条数据去重，有一项是不同的整条数据就算不同的，不会去掉，按照某一个字段去重需要如下方法

hive数据去重，并根据需求取其中一条

数据案例：

name  adx       tran_id                 cost        ts        
ck        5        125.168.10.0          33.00   1407234660
ck        5        187.18.99.00          33.32   1407234661
ck        5        125.168.10.0          33.24   1407234661 

只需要前两行的记录，因为第三行的tran_id和第一行的重复了，所以需要将最后面一行重复的去掉。

方案一：

selectt1.tran_id,t2.name,t2.cost 

from (selectdistinct tran_id from table) t1

join table t2 ont1.tran_id=t2.tran_id

分析：
如果使用distinct的话，需要把tran_id放在第一列，查出来的数据很不友好。

 

方案二：

select* 

 from(

        select *,row_number() over (partitionby tran_idorder by timestamp asc) num from table

  ) t 

wheret.num=1; 

分析：

row_number()over (partition by tran_idorder by timestamp desc) num   取num=1 的           
意思是先根据tran_id进行分组，并在分组内部按timestamp 降序排序，row_number()函数计算的值就表示某个tran_id组内部排序后的顺序编号（该编号在一个组内是连续并且唯一的) 。
所以最后直接去每个分组内的第一个（num=1）即可。

PS：

ROW_NUMBER() OVER函数的基本用法 
语法：ROW_NUMBER() OVER(PARTITION BY COLUMN ORDER BY COLUMN)
简单的说row_number()从1开始，为每一个分组记录返回一个数字，这里的ROW_NUMBER() OVER (ORDER BY xlh DESC) 是先把xlh列降序，再为降序以后的每条xlh记录返回一个序号。 
示例：              
xlh          row_num 
1700             1    
1500             2    
1085             3    
710               4   

row_number() OVER (PARTITION BY COL1 ORDERBY COL2) 表示根据COL1分组，在分组内部根据 COL2排序，而此函数计算的值就表示每组内部排序后的顺序编号（该编号在组内是连续并且唯一的) 。

实例： 

数据显示为 
empid       deptid     salary
----------- --------------------------------------------------
1          10          5500.00
2          10          4500.00
3           20         1900.00
4          20          4800.00
5          40          6500.00
6          40          14500.00
7          40          44500.00
8          50          6500.00
9          50          7500.00 
需求：根据部门分组，显示每个部门的工资等级
预期结果： 
empid       deptid     salary                                rank
----------- -------------------------------------------------- --------------------
1          10          5500.00                               1
2          10          4500.00                               2
4          20          4800.00                               1
3          20          1900.00                               2
7          40          44500.00                             1
6          40          14500.00                             2
5          40          6500.00                               3
9          50          7500.00                               1
8          50          6500.00                               2 
SQL脚本： 
SELECT *, Row_Number() OVER (partition by deptidORDER BY salary desc) rank FROM employee