1. 首页
  2. 系列专栏
  3. 大数据框架

09、Hive 教程 - Hive 窗口函数总结

分类：大数据框架 标签：Hive，源码解析，教程，实战，笔记，源码，解析

一、简介

本文主要介绍Hive中的窗口函数，Hive中的窗口函数和SQL中的窗口函数相类似,都是用来做一些数据分析类的工作，一般用于olap分析（在线分析处理）。

二、概念

我们都知道在sql中有一类函数叫做聚合函数，例如sum()、avg()、max()等等，这类函数可以将多行数据按照规则聚集为一行，一般来讲聚集后的行数是要少于聚集前的行数的，但是有时我们想要既显示聚集前的数据，又要显示聚集后的数据，这时我们便引入了窗口函数。

在深入研究Over字句之前，一定要注意：在SQL处理中，窗口函数都是最后一步执行，而且仅位于Order by字句之前。

三、数据准备

我们准备一张order表，字段分别为name，orderdate，cost，数据内容如下：

jack	2015-04-03	23
jack	2015-01-01	10
tony	2015-01-02	15
jack	2015-02-03	23
tony	2015-01-04	29
jack	2015-01-05	46
jack	2015-04-06	42
tony	2015-01-07	50
jack	2015-01-08	55
mart	2015-04-08	62
mart	2015-04-09	68
neil	2015-05-10	12
mart	2015-04-11	75
neil	2015-06-12	80
mart	2015-04-13	94

在hive中建立一张表order,将数据插入进去。

四、聚合函数+over()

假如说我们想要查询在2015年4月份购买过的顾客及总人数，我们便可以使用窗口函数去去实现。

select name,count(*) over() from order where substring(orderdate,1,7)='2015-04';

得到结果如下：

mart	6
mart	6
mart	6
mart	6
jack	6
jack	6

可见其实在2015年4月一共有5次购买记录，mart购买了4次，jack购买了2次。事实上，大多数情况下，我们是只看去重后的结果的。针对于这种情况，我们想对代码改进，进行去重，该怎么办呢 😉

第一种方式：group by

select j.name,j.e from
(select name,count(*) over() as e from order where substring(orderdate,1,7)='2015-04') j 
group by j.name,j.e;

结果如下：

jack	6
mart	6

第二种方式：distinct

select distinct name,count(*) over() from order where substring(orderdate,1,7)='2015-04';

结果如下：

jack	2
mart	2

五、partition by 子句

Over子句之后第一个提到的就是Partition By。Partition By子句也可以称为查询分区子句，非常类似于Group By，都是将数据按照边界值分组，而Over之前的函数在每一个分组之内进行，如果超出了分组，则函数会重新计算。

实例

我们想要去看顾客的购买明细及月购买总额，可以执行如下的sql。

select name,orderdate,cost,sum(cost) over(partition by month(orderdate))
from order

结果如下：

tony	2015-01-07	50	205
jack	2015-01-01	10	205
jack	2015-01-05	46	205
tony	2015-01-04	29	205
tony	2015-01-02	15	205
jack	2015-01-08	55	205
jack	2015-02-03	23	23
mart	2015-04-13	94	364
mart	2015-04-11	75	364
mart	2015-04-09	68	364
mart	2015-04-08	62	364
jack	2015-04-06	42	364
jack	2015-04-03	23	364
neil	2015-05-10	12	12
neil	2015-06-12	80	80

这里我们可以看到数据已经完全按照月份进行聚合。

六、order by 子句

上述的场景，假如我们想要将cost按照月进行累加，这时我们引入order by子句。

order by子句会让输入的数据强制排序（窗口函数是SQL语句最后执行的函数，因此可以把SQL结果集想象成输入数据）。Order By子句对于诸如Row_Number()，Lead()，LAG()等函数是必须的，因为如果数据无序，这些函数的结果就没有任何意义。因此如果有了Order By子句，则Count()，Min()等计算出来的结果就没有任何意义。

我们在上面的代码中加入order by

select name,orderdate,cost,sum(cost) over(partition by month(orderdate) order by orderdate) 
from order;

结果如下：

jack	2015-01-01	10	10         // 10
tony	2015-01-02	15	25         // 10+15
tony	2015-01-04	29	54         // 25+29
jack	2015-01-05	46	100
tony	2015-01-07	50	150
jack	2015-01-08	55	205
jack	2015-02-03	23	23
jack	2015-04-03	23	23
jack	2015-04-06	42	65
mart	2015-04-08	62	127
mart	2015-04-09	68	195
mart	2015-04-11	75	270
mart	2015-04-13	94	364
neil	2015-05-10	12	12
neil	2015-06-12	80	80

七、window 子句

我们在上面已经通过使用partition by子句将数据进行了分组的处理，如果我们想要更细粒度的划分，我们就要引入window子句了。

我们首先要理解两个概念：

  • 如果只使用partition by子句，未指定order by的话，我们的聚合是分组内的聚合。
  • 使用了order by子句，未使用window子句的情况下，默认从起点到当前行。

当同一个select查询中存在多个窗口函数时，他们相互之间是没有影响的，每个窗口函数应用自己的规则。

window子句：

  • PRECEDING：往前
  • FOLLOWING：往后
  • CURRENT ROW：当前行
  • UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDED FOLLOWING：表示到后面的终点

我们按照name进行分区,按照购物时间进行排序，做cost的累加。
如下我们结合使用window子句进行查询

select name,orderdate,cost,
sum(cost) over() as fullagg, --所有行相加
sum(cost) over(partition by name) as fullaggbyname, --按name分组，组内数据相加
sum(cost) over(partition by name order by orderdate) as fabno, --按name分组，组内数据累加 
sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row) as mw1   --和fabno一样,由最前面的起点到当前行的聚合 
sum(cost) over(partition by name order by orderdate rows between 1 preceding and current row) as mw2,   --当前行和前面一行做聚合 
sum(cost) over(partition by name order by orderdate rows between 1 preceding and 1 following) as mw3,   --当前行和前边一行及后面一行 
sum(cost) over(partition by name order by orderdate rows between current row and unbounded following) as mw4  --当前行及后面所有行 
from order;

结果如下：

jack	2015-01-01	10	684	199	10	10	10	56	199
jack	2015-01-05	46	684	199	56	56	56	111	189
jack	2015-01-08	55	684	199	111	111	101	124	143
jack	2015-02-03	23	684	199	134	134	78	101	88
jack	2015-04-03	23	684	199	157	157	46	88	65
jack	2015-04-06	42	684	199	199	199	65	65	42
mart	2015-04-08	62	684	299	62	62	62	130	299
mart	2015-04-09	68	684	299	130	130	130	205	237
mart	2015-04-11	75	684	299	205	205	143	237	169
mart	2015-04-13	94	684	299	299	299	169	169	94
neil	2015-05-10	12	684	92	12	12	12	92	92
neil	2015-06-12	80	684	92	92	92	92	92	80
tony	2015-01-02	15	684	94	15	15	15	44	94
tony	2015-01-04	29	684	94	44	44	44	94	79
tony	2015-01-07	50	684	94	94	94	79	79	50

八、窗口函数中的序列函数

主要序列函数是不支持window子句的。

hive中常用的序列函数有下面几个😀：

ntile

  • 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
  • NTILE不支持ROWS BETWEEN，
    比如 NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING - AND CURRENT ROW)
  • 如果切片不均匀，默认增加第一个切片的分布

这个函数用什么应用场景呢?假如我们想要每位顾客购买金额前1/3的交易记录,我们便可以使用这个函数。

select name,orderdate,cost,
       ntile(3) over() as sample1 , -- 全局数据切片
       ntile(3) over(partition by name), -- 按照name进行分组,在分组内将数据切成3份
       ntile(3) over(order by cost),-- 全局按照cost升序排列,数据切成3份
       ntile(3) over(partition by name order by cost ) -- 按照name分组，在分组内按照cost升序排列,数据切成3份
from order

得到的数据如下：

jack	2015-01-01	10	3	1	1	1
jack	2015-02-03	23	3	2	1	1
jack	2015-04-03	23	3	3	1	2
jack	2015-04-06	42	2	1	2	2
jack	2015-01-05	46	2	3	2	3
jack	2015-01-08	55	2	2	2	3
mart	2015-04-08	62	2	1	3	1
mart	2015-04-09	68	1	2	3	1
mart	2015-04-11	75	1	3	3	2
mart	2015-04-13	94	1	1	3	3
neil	2015-05-10	12	1	2	1	1
neil	2015-06-12	80	1	1	3	2
tony	2015-01-02	15	3	2	1	1
tony	2015-01-04	29	3	1	2	2
tony	2015-01-07	50	2	3	2	3

如上述数据，我们去sample4 = 1的那部分数据就是我们要的结果

row_number

用途非常广泛，排序最好用它，它会为查询出来的每一行记录生成一个序号，依次排序且不会重复，注意使用row_number函数时必须要用over子句选择对某一列进行排序才能生成序号。

rank

函数用于返回结果集的分区内每行的排名，行的排名是相关行之前的排名数加一。简单来说rank函数就是对查询出来的记录进行排名，与row_number函数不同的是，rank函数考虑到了over子句中排序字段值相同的情况，如果使用rank函数来生成序号，over子句中排序字段值相同的序号是一样的，后面字段值不相同的序号将跳过相同的排名号排下一个，也就是相关行之前的排名数加一，可以理解为根据当前的记录数生成序号，后面的记录依此类推。

dense_rank

函数的功能与rank函数类似，dense_rank函数在生成序号时是连续的，而rank函数生成的序号有可能不连续。dense_rank函数出现相同排名时，将不跳过相同排名号，rank值紧接上一次的rank值。在各个分组内，rank()是跳跃排序，有两个第一名时接下来就是第三名，dense_rank()是连续排序，有两个第一名时仍然跟着第二名。

这三个窗口函数的使用场景非常多

  • row_number()：从1开始，按照顺序，生成分组内记录的序列，row_number()的值不会存在重复，当排序的值相同时，按照表中记录的顺序进行排列
  • 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，排名相等会在名次中不会留下空位

注意：
rank和dense_rank的区别在于排名相等时会不会留下空位

select name,orderdate,cost,
row_number() over(partition by name order by cost) as rn1,
rank() over(partition by name order by cost) as rn2,
dense_rank() over(partition by name order by cost) as rn3
from order;


jack	2015-01-01	10	1	1	1
jack	2015-02-03	23	2	2	2
jack	2015-04-03	23	3	2	2
jack	2015-04-06	42	4	4	3
jack	2015-01-05	46	5	5	4
jack	2015-01-08	55	6	6	5
mart	2015-04-08	62	1	1	1
mart	2015-04-09	68	2	2	2
mart	2015-04-11	75	3	3	3
mart	2015-04-13	94	4	4	4
neil	2015-05-10	12	1	1	1
neil	2015-06-12	80	2	2	2
tony	2015-01-02	15	1	1	1
tony	2015-01-04	29	2	2	2
tony	2015-01-07	50	3	3	3

lag 和 lead

这两个函数为常用的窗口函数,可以返回上下数据行的数据.
以我们的订单表为例,假如我们想要查看顾客上次的购买时间可以这样去查询

hive> select name,orderdate,cost,lag(orderdate,1,'1996-09-09') 
over(partition by name order by  orderdate ) as time1 from order;

select name,orderdate,cost,lag(orderdate,4) 
over(partition by name order by orderdate ) as time2 from order;

 
time1取的为按照name进行分组，分组内升序排列,取上一行数据的值。

time2取的为按照name进行分组，分组内升序排列,取上面4行的数据的值，注意当lag函数未设置行数值时,默认为1行.设定取不到时的默认值时，取null值。

lead函数与lag函数方向相反，取向下的数据，这里我就不再举例辣😂。

first_value 和 last_value

first_value取分组内排序后，截止到当前行，第一个值
last_value取分组内排序后，截止到当前行，最后一个值

select name,orderdate,cost,
first_value(orderdate) over(partition by name order by orderdate) as time1,
last_value(orderdate) over(partition by name order by orderdate) as time2
from order

查询结果如下:

name    orderdate   cost    time1   time2
jack    2015-01-01  10  2015-01-01  2015-01-01
jack    2015-01-05  46  2015-01-01  2015-01-05
jack    2015-01-08  55  2015-01-01  2015-01-08
jack    2015-02-03  23  2015-01-01  2015-02-03
jack    2015-04-06  42  2015-01-01  2015-04-06
mart    2015-04-08  62  2015-04-08  2015-04-08
mart    2015-04-09  68  2015-04-08  2015-04-09
mart    2015-04-11  75  2015-04-08  2015-04-11
mart    2015-04-13  94  2015-04-08  2015-04-13
neil    2015-05-10  12  2015-05-10  2015-05-10
neil    2015-06-12  80  2015-05-10  2015-06-12
tony    2015-01-02  15  2015-01-02  2015-01-02
tony    2015-01-04  29  2015-01-02  2015-01-04
tony    2015-01-07  50  2015-01-02  2015-01-07