函数
# 函数基础
Hive SQL 内置了不少函数，能满足在开发时的基本需求，可以使用 show functions 查看当前版本支持的函数，并且可以通过 DESCRIBE FUNCTION EXTENDED func_name; 来查看函数的使用方法。
# 内置函数
内置函数（buildin），指的是 Hive 已经开发实现好，等待调用的函数，也叫做内建函数。官方文档 (opens new window)。
内置函数根据应用类型可以分为八类，使用频率最高的将举例。
字符串函数
字符串函数主要是对字符串数据类型进行操作
-------------------------------------------- 字符串函数 --------------------------------------------
-- 字符串长度
SELECT length('HELLO WORLD');
-- 字符串反转
SELECT reverse('HELLO WORLD');
-- 字符串连接
SELECT concat('HELLO', 'WORLD');
-- 使用分隔符进行连接 concat_ws(separator, [string | array(string)]+)
SELECT concat_ws('.', 'www', array('baidu', 'com'));
-- 字符串截取，注意，索引是从 1 开始，给定负数的意思是倒着数 substr(str, pos [, len])
SELECT substr('HELLO WORLD', -2);
-- 字符串转大写，这两个没有区别
SELECT upper('hello world');
SELECT ucase('hello world');
-- 字符串转小写，这两个没有区别
SELECT lower('HELLO WORLD');
SELECT lcase('HELLO WORLD');
-- 去除字符串两边空格
SELECT trim(" HELLO WORLD ");
-- 去除左边空格
SELECT ltrim(" HELLO WORLD");
-- 去除右边空格
SELECT ltrim("HELLO WORLD ");
-- 正则替换，最终形成 num-num
SELECT regexp_replace('100-200', '(\\d+)', 'num');
-- 正则解析，可以提取指定的组的内容
SELECT regexp_extract('100-200', '(\\d)-(\\d)', 2);
-- url 解析，想要一次解析多个 url 可以使用 parse_url_tuple 这个 UDTF 函数，最终形成 baike.baidu.com
SELECT parse_url('https://baike.baidu.com/item/hello/38467?fr=aladdin', 'HOST');
-- json 解析
SELECT get_json_object('');
-- 空格字符串函数，返回指定个数的空格
SELECT space(4);
-- 重复字符串 n 次
SELECT repeat('HELLO', 2);
-- 将字符串的首字母转为 ASCII，返回 72
SELECT ascii('HELLO');
-- 左补函数，使用指定符号，在此字符串的左边补齐到指定长度，这里最终为 `???hi`
SELECT lpad('hi', 5, '??');
-- 右补函数，假如字符串的长度大于指定长度，则消减，这里最终为 `h`
SELECT rpad('hi', 1, '??');
-- 字符串分割，["HELLO","WORLD"]
SELECT split('HELLO WORLD', '\\s+');
-- 集合查找
SELECT find_in_set('a','abc,b,a,cd,fe');
日期函数
针对日期进行操作的函数
-------------------------------------------- 日期函数 --------------------------------------------
-- 获取当前日期：2022-03-25
SELECT current_date();
-- 获取当前时间戳，在一次查询中，current_timestamp() 返回值相同
-- 返回值比 current_date() 更细致：2022-03-25 21:39:26.202000000
SELECT current_timestamp();
-- 获取当前 UNIX 时间戳：1648215568
SELECT unix_timestamp();
-- UNIX 时间戳转日期函数，可以进行格式化，返回 2022-03-25 13:39:28
SELECT from_unixtime(1648215568);
SELECT from_unixtime(0, 'yyyy-MM-dd HH:mm:ss');
-- 日期转 UNIX 时间戳函数，可以指定格式转换
SELECT unix_timestamp('1999-12-12 13:01:03');
SELECT unix_timestamp('1999-12-12 13:01:03', 'yyyy-MM-dd HH:mm:ss');
-- 抽取日期，返回 1999-07-12
SELECT to_date('1999-07-12 04:12:52');
-- 日期转年
SELECT year('1999-07-12 04:12:52');
-- 日期转月
SELECT month('1999-07-12 04:12:52');
-- 日期转天
SELECT day('1999-07-12 04:12:52');
-- 日期转分钟
SELECT minute('1999-07-12 04:12:52');
-- 日期转秒
SELECT second('1999-07-12 04:12:52');
-- 日期转周，weekofyear 表示年的第几周
SELECT weekofyear('1999-07-12 04:12:52');
-- 日期比较，要求格式为 yyyy-MM-dd
SELECT datediff('2012-12-08', '2012-05-09');
-- 日期增加
SELECT date_sub('2012-01-1', 10);
数学函数
主要进行数值运算
-------------------------------------------- 数学函数 --------------------------------------------
-- 取整，四舍五入，默认取整数，可以指定精度
SELECT round(3.1415926);
SELECT round(3.1415926, 4);
-- 向下取整
SELECT floor(3.1415926);
-- 向上取整
SELECT ceil(3.1415926);
-- 随机，默认返回一个 0-1 的随机数，可以指定种子得到一个稳定的随机数序列
SELECT rand();
SELECT rand(2);
-- 二进制函数
SELECT bin(18);
-- 进制转换，将 17 从 10 进制转为 16 进制
SELECT conv(17, 10, 16);
-- 绝对值
SELECT abs(-3);
集合函数
-------------------------------------------- 集合函数 --------------------------------------------
-- 长度
SELECT size(array(11, 22, 33));
SELECT size(map('id', 10086, 'name', 'zhangsan', 'age', 18));
-- 取 map 的 keys
SELECT map_keys(map('id', 10086, 'name', 'zhangsan', 'age', 18));
-- 取 map 的 values
SELECT map_values(map('id', 10086, 'name', 'zhangsan', 'age', 18));
-- 判断数组是否包含指定元素
SELECT array_contains(array(11, 22, 33), 11);
-- 数组排序
SELECT sort_array(array(11, 2, 3));
条件函数
-------------------------------------------- 条件函数 --------------------------------------------
-- 条件判断，假如 sex 为男，则返回 M，否则返回 W
SELECT if(sex = '男', 'M', 'W') FROM student;
-- 判空
SELECT isnull('');
-- 判非空
SELECT isnotnull('');
-- 空则转换
SELECT nvl(null, 'HELLO');
-- 非空查找，返回参数中第一个非空的值，假如全部为 null 则返回 null
SELECT coalesce(null, 11, 22, 33);
-- 条件转换，类似 switch .. case .. default
SELECT CASE 100
WHEN 50 THEN 'Jack'
WHEN 100 THEN 'Mary'
WHEN 150 THEN 'Tom'
ELSE 'Larry'
END;
-- nullif，假如 a == b，则返回 null，否则返回一个
SELECT nullif(11, 11);
-- 假如条件为 false 则抛异常，为 true 返回 null
SELECT assert_true(11 > 0);
类型转换函数
可以转为任何类型
-------------------------------------------- 类型转换函数 --------------------------------------------
SELECT cast(3.1415926 as bigint);
SELECT cast(3.1415926 as string);
数据脱敏函数
对数据进行脱敏
-------------------------------------------- 数据脱敏函数 --------------------------------------------
-- 大写字母转为 X，小写字母转为 x，数字转为 n，可自定义替换
SELECT mask('ABc123def');
-- 自定义替换的字母
SELECT mask('ABc123def', '-', '.', '^');
-- 对前 n 个字母脱敏
SELECT mask_first_n('ABc123def', 4);
-- 对后 n 个字母脱敏
SELECT mask_last_n('ABc123def', 4);
-- 除前 n 个，其余掩码
SELECT mask_show_first_n('ABc123def', 4);
-- 除后 n 个，其余掩码
SELECT mask_show_last_n('ABc123def', 4);
-- 返回字符串 hash 值掩码
SELECT mask_hash('ABc123def');
杂项函数
杂项函数
-------------------------------------------- 杂项函数 --------------------------------------------
-- 调用 Java 函数
SELECT java_method('java.lang.Math', 'max', 11, 22);
-- Java 反射
SELECT reflect('java.lang.Math', 'max', 11, 22);
-- hash
SELECT hash('HELLO');
-- SHA-1 加密
SELECT sha1('HELLO');
-- SHA-2 家族算法加密：sha2(string/binary, int)、SHA-224, SHA-256, SHA-384, SHA-521
SELECT sha2('HELLO', 224);
-- CRC 32 加密
SELECT crc32('HELLO');
-- md5，md5 现在已经不安全了
SELECT md5('HELLO');
# 自定义函数
UDF、UDAF、UDTF 概述
虽然 Hive 内置的函数有很多，但是可能会有有些业务需求是内置函数无法满足的，这种情况下如果我们可以自己针对业务自定义函数来实现需求。
用户自定义函数简称 UDF，来源于 User Defined Function，自定义函数一共分为三种类型：
- UDF，User Defined Function：普通的用户自定义函数，一进一出。
- UDAF，User Defined Aggregation Function：聚合函数，多进一出。
- UDTF，User Defined Table Generating Function：表生成函数，一进多出。
虽然 UDF、UDAF、UDTF 表面上看起来是用户编写开发的函数，但其实这套标准可以扩大到 Hive 的所有函数中，比如 count() 是多进一出，就可以归类到 UDAF 标准中。
编写代码之前，首先准备 maven：
<dependencies>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>3.1.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.1.4</version>
</dependency>
</dependencies>
UDF 案例
现在有一个需求，就是将字符串的长度返回
代码实现：
package udf; import org.apache.hadoop.hive.ql.exec.UDFArgumentException; import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException; import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException; import org.apache.hadoop.hive.ql.metadata.HiveException; import org.apache.hadoop.hive.ql.udf.generic.GenericUDF; import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector; import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory; import java.io.IOException; import java.util.Objects; /** * 定义 UDF 函数，继承 GenericUDF */ public class StringLength extends GenericUDF { /** * 可以执行函数的初始化，并且返回函数的返回值类型鉴别器对象 * * @param arguments 输入参数类型的鉴别器对象 * @return 返回值类型的鉴别器对象 * @throws UDFArgumentException */ @Override public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException { if (arguments.length != 1) { throw new UDFArgumentLengthException("input args length error"); } // 取得参数的鉴别器对象 ObjectInspector argument = arguments[0]; /* ObjectInspector.Category，一个枚举类，支持 Hive 的五种类型： - PRIMITIVE：基本类型 - LIST：集合 - MAP：kv 键值对 - STRUCT：结构体 - UNION：联合体 */ // 判断参数的类型，假如不是基本类型则直接抛异常 if (!argument.getCategory().equals(ObjectInspector.Category.PRIMITIVE)) { throw new UDFArgumentTypeException(0, "input args type error"); } // 返回字符串长度为 int，所以需要返回 int 类型的鉴别器对象 return PrimitiveObjectInspectorFactory.javaIntObjectInspector; } /** * 函数的逻辑处理 * * @param arguments 输入参数 * @return 返回值 * @throws HiveException */ @Override public Object evaluate(DeferredObject[] arguments) throws HiveException { Object argument = arguments[0].get(); if (Objects.isNull(argument)) { return 0; } return argument.toString().length(); } /** * 显示函数的帮助信息 */ @Override public String getDisplayString(String[] strings) { return ""; } /** * 可选，map 结束后执行关闭操作 * * @throws IOException */ @Override public void close() throws IOException { super.close(); } }将代码打为 jar 包，上传到 HiveServer2 所在的 Linux 系统，或者 HDFS 系统。
进入客户端，使用命令
add jar jap_path.jar将 jar 包添加到 classpath：ADD JAR /tmp/hivedata/StringLength.jar;。创建一个临时函数，和 java class 关联：
CREATE TEMPORARY FUNCTION func_name AS 'package.class_name';：CREATE TEMPORARY FUNCTION str_len AS 'udf.StringLength';。使用函数：
SELECT func_name(name) FROM table_name;：SELECT str_len('HELLO WORLD');。
UDTF 案例
其他过程十分相似就不写了，关键在于代码：
package udtf;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
/**
* 定义一个 UDTF 函数，可以将字符串按照分隔符切割成为独立的单词
*/
public class splitStr extends GenericUDTF {
private List<String> outList = new ArrayList<>();
@Override
public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {
// 1. 自定义输出数据的列名称和类型
List<String> fieldNames = new ArrayList<>();
List<ObjectInspector> fieldOIs = new ArrayList<>();
// 2. 添加输出数据的列名和类型
fieldNames.add("lineToWord");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
}
@Override
public void process(Object[] args) throws HiveException {
// 获取输入的值的原始数据
String arg = args[0].toString();
// 按照传入参数的第二个参数作为分隔符进行分隔
String splitKey = args[1].toString();
String[] fields = arg.split(splitKey);
// 注意，最终在 Hive 呈现时，是很多行，在这里我们不要一次性输出集合内容，而是以集合为单位，一条一条输出内容
Arrays.stream(fields).forEach(field -> {
try {
outList.clear();
outList.add(field);
// 以集合为单位，将数据写出
forward(outList);
} catch (HiveException e) {
e.printStackTrace();
}
});
}
@Override
public void close() throws HiveException {
}
}
# 函数高阶
# UDTF 和 侧视图
explode
爆炸函数，explode，在分类上也属于 UDTF。
简单来说，它可以将集合或者键值对进行拆分，一条/一对数据单独占用一行。
explode 函数本身就已经违反了关系型数据库设计准则的第一范式，但是在面向分析的数据仓库中，我们可以改变这些规则。
一般情况下，explode 会和侧视图 lateral view 一起使用，单独用当然也可以。
explode 不能和其他字段一起出现，否则就会报错，这是因为：
explode 属于 UDTF 函数。
它的返回值可以理解为一张虚拟的表，其数据来源于源表，不能查询源表的同时查询虚拟表，简单来讲就是不能查一张表返回两张表的字段。
从 SQL 的层面来说应该进行连表查询。Hive 专门提供了侧视图 lateral view，专门搭配 UDTF 这样的函数，以满足上述需求。
lateral view 侧视图
它是一种特殊的语法，主要的作用就是搭配 UDTF 函数一起使用，用于解决 UDTF 函数一些查询限制的问题。
侧视图的原理是将 UDTF 的结果构建成一张类似于视图的表，然后将源表的每一行和 UDTF 函数输出的每一行进行链接，形成一张虚拟的表，这样就避免了 UDTF 使用限制问题。
使用侧视图时同时也可以针对 UDTF 产生的记录设置字段名称，产生的字段可以用于 group by、order by、limit 等语句中，不需要再单独嵌套一层子查询。
侧视图语法：SELECT ... FROM table_name LATERAL VIEW UDTF() 别名 AS col1, col2, col3, ...;
案例：
SELECT a.name, b.year
FROM tableA a LATERAL VIEW explode(year) b AS year
ORDER BY b.year DESC;
# 聚合
HQL 提供了几种内置的 UDAF 聚合函数，例如 max、min、avg，我们将这些称为基础聚合函数。
除了基础聚合之外，我们还有增强聚合。
增强聚合需要根据多个维度进行分析，维度指的就是看待数据的角度，比如根据天、周、月三个角度进行数据的分析。
数据准备
我们首先来准备一些数据，来作为增强聚合的案例：
/*
数据类似如下：
2018-03,2018-03-10,cookie1
2018-03,2018-03-10,cookie5
2018-03,2018-03-12,cookie7
2018-03,2018-03-12,cookie3
2018-03,2018-03-13,cookie2
2018-03,2018-03-13,cookie4
2018-03,2018-03-16,cookie4
2018-04,2018-03-10,cookie2
2018-04,2018-03-12,cookie3
2018-04,2018-03-13,cookie5
2018-04,2018-03-15,cookie6
2018-04,2018-03-15,cookie3
2018-04,2018-03-16,cookie2
*/
CREATE TABLE cookie_info (
month string,
day string,
cookieId string
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ",";
LOAD DATA LOCAL INPATH '/tmp/hivedata/cookie_info.txt' INTO TABLE cookie_info;
grouping sets
grouping sets，它是一种将多个 group by 写到一个 sql 中的便利写法，等于将多个不同纬度的 group by 进行 union 操作。
-- 使用 grouping sets
-- grouping__id 表示这一组结果属于哪个分组集合，注意有两个下划线
-- 根据 grouping sets 中的分组条件 month、day，1 代表 month，2 代表 day
SELECT month, day, count(DISTINCT cookieId) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day
GROUPING SETS (month, day)
ORDER BY GROUPING__ID;
-- 以上等价于
SELECT month, null, count(DISTINCT cookieid) AS nums, 1 AS GROUPING__ID FROM cookie_info GROUP BY month
UNION ALL
SELECT null, day, count(DISTINCT cookieid) AS nums, 2 AS GROUPING__ID FROM cookie_info GROUP BY day;
SELECT month, day, count(DISTINCT cookieId) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day
GROUPING SETS (month, day, (month, day))
ORDER BY GROUPING__ID;
-- 以上等价于
SELECT month, null, count(DISTINCT cookieid) AS nums, 1 AS GROUPING__ID FROM cookie_info GROUP BY month
UNION ALL
SELECT null, day, count(DISTINCT cookieid) AS nums, 2 AS GROUPING__ID FROM cookie_info GROUP BY day
UNION ALL
SELECT month, day, count(DISTINCT cookieid) AS nums, 3 AS GROUPING__ID FROM cookie_info GROUP BY month, day;
cube
cube 的意思是，根据 group by 的维度的所有组进行聚合。对于 cube，假如存在 n 个维度，那么所有组合的个数为 2^n。
例如，有三个维度 a、b、c，那么所有组合为：(a, b, c)、(a, b)、(a, c)、(b, c), (a), (b), (c), ()。
SELECT month, day, count(DISTINCT cookieid) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day
WITH CUBE
ORDER BY GROUPING__ID;
-- 等价于
SELECT null, null, count(DISTINCT cookieid) AS nums, 0 AS GROUPING__ID FROM cookie_info
UNION ALL
SELECT month, null, count(DISTINCT cookieid) AS nums, 1 AS GROUPING__ID FROM cookie_info GROUP BY month
UNION ALL
SELECT null, day, count(DISTINCT cookieid) AS nums, 2 AS GROUPING__ID FROM cookie_info GROUP BY day
UNION ALL
SELECT month, day, count(DISTINCT cookieid) AS nums, 3 AS GROUPING__ID FROM cookie_info GROUP BY month, day;
rollup
rollup 是 cube 的子集，以最左侧的维度为主
比如有三个维度 a, b, c，那么所有的聚合情况为：(a, b, c)、(a, b)、(a, c)、(a)、()
SELECT month, day, count(DISTINCT cookieid) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day
WITH ROLLUP
ORDER BY GROUPING__ID;
# 窗口函数
Window Function 窗口函数，也叫做 OLAP 函数，非常适合数据分析。
最大的特点就是：输入值是从 SELECT 语句的结果集中的一行或者多行的窗口中获取的，也可以理解为行有多少窗口就开多大。
通过 over 子句，窗口函数和其他的 SQL 函数有了区别，假如一个函数具有 over 子句，那么它是窗口函数，如果它缺少 over 子句，则它是一个普通聚合函数。
窗口函数类似聚合函数，但是有些区别。通过 group by 子句组合的常规聚合会隐藏聚合中的行，最终输出为一行。
窗口聚合函数不会隐藏聚合中的各个行（可以访问当中的各个行），并且可以将这些行的属性添加到结果集中。
窗口函数语法：... OVER ([PARTITION BY ...] [ORDER BY ...]) ...
-- sum + group by 的常规聚合操作
SELECT sum(salary) AS total FROM employee GROUP BY dept;
-- sum + 窗口函数聚合操作
SELECT id, name, deg, salary, dept, sum(salary) over (PARTITION BY dept) AS total FROM employee;
窗口聚合函数
首先我们准备一下数据：
数据
cookie1,2018-04-10,1
cookie1,2018-04-11,5
cookie1,2018-04-12,7
cookie1,2018-04-13,3
cookie1,2018-04-14,2
cookie1,2018-04-15,4
cookie1,2018-04-16,4
cookie2,2018-04-10,2
cookie2,2018-04-11,3
cookie2,2018-04-12,5
cookie2,2018-04-13,6
cookie2,2018-04-14,3
cookie2,2018-04-15,9
cookie2,2018-04-16,7
CREATE TABLE website_pv_info (
cookieId string,
createdTime string,
pv int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ",";
LOAD DATA LOCAL INPATH '/tmp/hivedata/website_pv_info.txt' INTO TABLE website_pv_info;
-- 查询网站的总 pv 数量
SELECT cookieId, sum(pv) over() AS total_pv FROM website_pv_info;
-- 分别查询每个用户的总 pv 数量
SELECT cookieId, sum(pv) over(PARTITION BY cookieId) AS total_pv FROM website_pv_info;
-- 求出每个用户截止到当天，累计的总 pv 数
-- sum(...) over(PARTITION BY ... ORDER BY ...)，在每个分组中连续累计求和
SELECT
cookieId,
createdTime,
pv,
sum(pv) over(
PARTITION BY cookieId
ORDER BY createdTime
) AS current_total_pv
FROM website_pv_info;
可以看到在上面的例子中，over 函数中有时没有条件，有时存在一个 PARTITION BY 的条件，有时还存在 ORDER BY 的条件。
其中要注意的就是 ORDER BY 有无的条件，没有则是所有行的整体求和，有则是累计求和。
窗口表达式
窗口函数给了一个累积求和的行为，但是累积行为是可控的，默认情况下就是从第一行开始聚合到最后一行，窗口表达式给了一种控制行动范围的能力，比如向前两行或者向后三行。
窗口表达式关键词是 ROWS BETWEEN，包括如下选项：
PRECEDING：向前。FOLLOWING：向后。CURRENT ROW：当前行。UNBOUNDED：边界。UNBOUNDED PRECEDING：第一行。UNBOUNDED FOLLOWING：最后一行。
-- 第一行到当前行
SELECT
cookieId,
createdTime,
sum(pv) over(
PARTITION BY cookieId
ORDER BY createdTime
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
) AS pv
FROM website_pv_info;
-- 从前面三行到当前行
SELECT
cookieId,
createdTime,
sum(pv) over(
PARTITION BY cookieId
ORDER BY createdTime
ROWS BETWEEN 3 PRECEDING AND CURRENT ROW
) AS pv
FROM website_pv_info;
-- 从前面三行到后一行
SELECT
cookieId,
createdTime,
sum(pv) over(
PARTITION BY cookieId
ORDER BY createdTime
ROWS BETWEEN 3 PRECEDING AND 1 FOLLOWING
) AS pv
FROM website_pv_info;
-- 从当前行到最后一行
SELECT
cookieId,
createdTime,
sum(pv) over(
PARTITION BY cookieId
ORDER BY createdTime
ROWS BETWEEN CURRENT ROW AND UNBOUNDED FOLLOWING
) AS pv
FROM website_pv_info;
窗口排序函数
用于给每个分组内的数据打上排序的标记。注意，窗口排序函数不支持窗口表达式。
窗口排序函数有四个函数：
row_number：每个小组中，为每一行分配一个从 1 开始的序列号，此序列号递增不考虑重复。rank：每组中为每行分配从 1 开始的序列号，考虑重复，挤占后续位置。dense_rank：每组中为每行分配一个从 1 开始的序列号，考虑重复，不挤占后续位置。
SELECT
cookieId,
createdTime,
pv,
rank() over (PARTITION BY cookieId ORDER BY pv DESC) AS rn1,
dense_rank() over (PARTITION BY cookieId ORDER BY pv DESC) AS rn2,
row_number() over (PARTITION BY cookieId ORDER BY pv DESC) AS rn3
FROM website_pv_info
WHERE cookieId = 'cookie1';
窗口排序函数还有一个函数叫做 ntile，功能是将每组的数据分为若干个部分（桶），每个桶分配一个桶编号。假如不能平均分配，则优先分配较小的桶，并且各个桶中能放的行数最多相差 1。
SELECT
cookieId,
createdTime,
pv,
ntile(3) over (PARTITION BY cookieId ORDER BY pv DESC) AS rn2
FROM website_pv_info
WHERE cookieId = 'cookie1';
lag 和 lead
用于在窗口排序后，获取指定字段上一行或者下一行的值：
SELECT
id,
data_time,
-- 获取上一行的字段数据，没有则为 null
lag(data_time) over (PARTITION BY model_battery_group_id ORDER BY data_time) AS lag_data_time,
-- 获取下一行的字段数据，没有则为 null
lead(data_time) over (PARTITION BY model_battery_group_id ORDER BY data_time) AS lead_data_time,
row_number() over (PARTITION BY model_battery_group_id ORDER BY data_time) AS rn
FROM tmpSource
# 抽样函数
数据量过大时，我们可以抽出数据的子集来加快数据处理和速度分析，这就叫做抽样。抽样是抽出部分数据来推测整个数据集的模式。
在 HQL 中，可以采用随机采样、存储桶表采样、块采样。
Random 随机抽样
-- 随机抽取两个
SELECT * FROM student DISTRIBUTE BY rand() SORT BY rand() LIMIT 2;
-- 使用 ORDER BY + rand() 也可以查看，但是效率不高
SELECT * FROM student ORDER BY rand() LIMIT 2;
Block 块抽样
-- 根据行数抽样
SELECT * FROM student tablesample(1 ROWS);
-- 百分比抽样
SELECT * FROM student tablesample(50 PERCENT);
-- 根据数据大小抽样，支持 b/B、k/K、m/M、g/G
SELECT * FROM student tablesample (1k);
分桶表抽样
根据分桶表做了优化，是一种特殊的取样方法。
--根据整行数据进行抽样
SELECT * FROM t_usa_covid19_bucket tablesample(BUCKET 1 OUT OF 2 ON rand());
--根据分桶字段进行抽样 效率更高
DESCRIBE FORMATTED t_usa_covid19_bucket;
SELECT * FROM t_usa_covid19_bucket tablesample(BUCKET 1 OUT OF 2 ON state);
上次更新: 2024/11/02, 21:46:46