Hive的窗口函数详解
创作时间:
作者:
@小白创作中心
Hive的窗口函数详解
引用
CSDN
1.
https://blog.csdn.net/qq_39041459/article/details/145946552
Hive的窗口函数是一种强大的数据处理工具,可以对数据进行复杂的分析和计算。本文将详细介绍Hive窗口函数的使用方法和应用场景。
基本语法
窗口函数的基本语法如下:
分析函数/专用窗口函数 over(partition by 列名 order by 列名 rows between 开始位置 and 结束位置)
partition by 字段(窗口分区)
partition by
用于对指定的字段进行分组,后续的统计分析操作将以每个分组为单位进行。每个分组单独作为一个窗口进行统计分析。
如果没有order by
子句,整个分区将作为单个窗口帧进行处理。
rows between 开始位置 and 结束位置(窗口帧)
窗口帧用于从分区中选择指定的多条记录,供窗口函数处理。Hive提供了两种定义窗口帧的形式:ROWS
和RANGE
。两种类型都需要配置上界和下界。
常用的参数包括:
n preceding
:往前n following
:往后current row
:当前行unbounded
:起点(一般结合preceding
,following
使用)
例如:
rows between unbounded preceding and current row
:表示选择分区起始记录到当前记录的所有行。rows between current row and unbounded following
:表示当前行到终点的数据进行。rows between unbounded preceding and unbounded following
:表示起点到终点的数据。
窗口函数
窗口函数会基于当前窗口帧的记录计算结果。Hive提供了以下窗口函数:
NTILE(n)
:用于将分组数据按照顺序切分成n片,返回当前切片值。ROW_NUMBER()
:为帧内的每一行返回一个序数,从1开始。RANK()
:为帧内的每一行返回一个序数,存在字段值相等的记录时,会返回相同的序数。DENSE_RANK()
:为帧内的每一行返回一个序数,存在字段值相等的记录时,不会留下空位。LEAD(col, n)
:返回当前记录的下n条记录的字段值。LAG(col, n)
:返回当前记录的上n条记录的字段值。FIRST_VALUE(col)
:返回窗口帧中第一条记录的指定字段值。LAST_VALUE(col)
:返回窗口帧中最后一条记录的指定字段值。COUNT()
、SUM(col)
、MIN(col)
:与一般的聚合操作相同。
排序窗口函数
ROW_NUMBER、RANK和DENSE_RANK函数操作
ROW_NUMBER()
:从1开始,按照顺序,生成分组内记录的序列。RANK()
:生成数据项在分组中的排名,排名相等会在名次中留下空位。DENSE_RANK()
:生成数据项在分组中的排名,排名相等不会留下空位。
示例SQL:
SELECT
order_id,
user_id,
user_name,
order_date,
order_amount,
RANK() OVER(PARTITION BY user_id ORDER BY order_amount desc) AS rnk1,
DENSE_RANK() OVER(PARTITION BY user_id ORDER BY order_amount desc) AS rnk2,
ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY order_amount desc) AS rnk3
FROM ds_hive.ch8_t_order;
聚合窗口函数
聚合窗口函数如count
、sum
、avg
、max
、min
等,默认计算第一行到当前行的数据。
示例SQL:
SELECT
order_id,
user_id,
user_name,
order_date,
order_amount,
sum(order_amount) over(partition by user_id order by order_date rows between unbounded preceding and current row) sum_so_far
FROM ds_hive.ch8_t_order;
执行结果:
位移窗口函数
LAG函数操作
LAG(col,n,DEFAULT)
用于统计窗口内往上第n行值。参数说明:
- 第一个参数为列名
- 第二个参数为往上第n行(可选,默认为1)
- 第三个参数为默认值(当往上第n行为NULL时候,取默认值,如不指定,则为NULL)
LEAD函数操作
LEAD(col,n,DEFAULT)
用于统计窗口内往下第n行值。参数说明:
- 第一个参数为列名
- 第二个参数为往下第n行(可选,默认为1)
- 第三个参数为默认值(当往下第n行为NULL时候,取默认值,如不指定,则为NULL)
示例SQL:
select
order_id,
user_id,
user_name,
order_date,
order_amount,
lag(order_date,1,null) over(partition by user_id order by order_date) last_order_date,
lead(order_date,1,null) over(partition by user_id order by order_date) last_order_date
from ds_hive.ch8_t_order
极值窗口函数
FIRST_VALUE函数操作
取分组内排序后,截止到当前行,第一个值。
LAST_VALUE函数操作
取分组内排序后,截止到当前行,最后一个值。
示例SQL:
select
order_id,
user_id,
user_name,
order_date,
order_amount,
first_value(order_date) over(partition by user_id,substr(order_date,1,7) order by order_date) first_date,
last_value(order_date) over(partition by user_id,substr(order_date,1,7) order by order_date rows between unbounded preceding and unbounded following) last_date
from ds_hive.ch8_t_order;
分箱窗口函数
NTILE函数操作
NTILE(n)
用于将分组数据按照顺序切分成n片,返回当前切片值。不支持ROWS BETWEEN
,如果切片不均匀,默认增加第一个切片的分布。常用来求百分比的操作,比如求前20%,就可以分5个箱。
示例SQL:
SELECT
order_id,
user_id,
user_name,
order_date,
order_amount,
NTILE(2) OVER(PARTITION BY user_id ORDER BY order_amount DESC) AS rnk
FROM ds_stu1.ch_t_order_temp2
执行结果:会先排序,然后按分桶数等分,rnk=1
则取前50%数据,rnk=2
则取后50%数据。
热门推荐
人生意义:探索存在的目的,找到个人对生命的定义。
种田游戏风靡中国:探寻背后的文化与心理原因
太极拳的本质是什么?
《中小型水利水电工程地质勘察规范》修编技术讨论会在长沙召开
职场人际关系处理技巧与注意事项有哪些
如何区分A货、B货、B+C货、D货翡翠?看看你买的是什么类型的翡翠
王晓波诗歌:古典与现代的完美融合
测试开发工程师的职业发展路径:从初级到高级的进阶指南
跑出一条“奋进曲线”之后,成都经济如何持续向好?
期刊的影响因子是什么(关于期刊影响因子的超全面解析)
新生儿败血症首选的治疗
油条的历史演变与制作工艺探究
购车补贴政策对新能源汽车企业的影响研究——以比亚迪为例
秀禾服的来历和寓意介绍,秀禾服是啥
理论力学之欧拉-拉格朗日方程
雷军:“1小时首富”的三次告别
医疗多模态基础大模型在临床诊疗中的应用、挑战与未来方向
代持股份的操作方式是怎样的?代持股份存在哪些法律风险?
进电子厂打工是种什么体验?
什么是拉升?这种市场行为在股票交易中有什么影响?
猫咪营养指南:科学解析猫的营养需求与膳食结构
EMBA的含金量高,是否能让企业更认可你的能力?
八字中的日主命理详解:如何通过日主分析个人命运
2024年中国租房市场大盘点:租金波动与政策走向
全球最富有的24个超级富豪,都是谁?公平吗?
干细胞修复视网膜技术成功率高吗,有哪些成功案例
酒驾吃鸭子案件:一场法律与道德的深度探讨
斗罗大陆的悲剧英雄比比东
脑白质脱髓鞘是什么意思?
INFJ:性格解析、成长之路及现实应用