hive窗口函数极速入门及在拉链表上的运用案例

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了hive窗口函数极速入门及在拉链表上的运用案例相关的知识,希望对你有一定的参考价值。

1 over()窗口函数

1.1 语法结构

分析函数 over(partition by 列名 order by 列名 rows between 开始位置 and 结束位置)

1.2 over中的三个函数具体含义

  • order by:排序的意思,跟sql一样

  • partition by:分区的概念,后面接字段表示跟什么分区,比如日期 partition by day

  • rows between 开始位置 and 结束位置:窗口范围

    PRECEDING:往前
    FOLLOWING:往后
    CURRENT ROW:当前行
    UNBOUNDED:起点(一般结合PRECEDING,FOLLOWING使用)
    UNBOUNDED PRECEDING 表示该窗口最前面的行(起点)
    UNBOUNDED FOLLOWING:表示该窗口最后面的行(终点)
    比如说:
    ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW(表示从起点到当前行)
    ROWS BETWEEN 2 PRECEDING AND 1 FOLLOWING(表示往前2行到往后1行)
    ROWS BETWEEN 2 PRECEDING AND 1 CURRENT ROW(表示往前2行到当前行)
    ROWS BETWEEN CURRENT ROW AND UNBOUNDED FOLLOWING(表示当前行到终点)
    

2 与over窗口函数一般配套使用的分析函数

2.1 聚合类

  1. 内容
  • avg()
  • sum()
  • max()
  • min()
  1. 使用:略,和sql一样

2.2 排名类

  1. 内容
  • row_number()
  • rank()
  • dense_rank()
  1. 使用
  • row_number()按照值排序时产生一个自增编号,不会重复(如:1、2、3、4、5、6)
  • rank() 按照值排序时产生一个自增编号,值相等时会重复,会产生空位(如:1、2、3、3、3、6)
  • dense_rank() 按照值排序时产生一个自增编号,值相等时会重复,不会产生空位(如:1、2、3、3、3、4)

2.3 其他类

  1. lag()
  • lag(col,n,DEFAULT) 用于统计窗口内往上第n行值
  • 参数含义: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)
  1. lead()
  • lead(col,n,DEFAULT) 用于统计窗口内往下第n行值
  • 参数含义: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)
  1. 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

  • 参数含义:参数n表示将数据分为几块,并返回n所在的那一块

  1. first_value()
  • first_value(字段) 取分组内排序后,截止到当前行,第一个值
  • 参数含义:first_value(字段),参数是字段,和分组排序搭配使用后,表示该字段的第一个值作为结果返回
  • 来张图理解一下

  1. last_value()
  • last_value(字段)取分组内排序后,截止到当前行,最后一个值
  • 参数含义:last_value(字段),参数是字段,和分组排序搭配使用后,表示该字段的第最后一个值作为结果返回

3 开窗函数在拉链表上的使用案例

3.1 场景

  1. 场景:表a是截止前一天的全量最新拉链表,表b是今天ods层产生的新增和变化的数据
  2. 需求:需要产出新的拉链表维表数据,并且需要剔除前一天拉链表中过期的数据,并且放到前一天的分区的

3.2 分析

  1. 难点就是如何在这两张表中需要剔除的数据,即a表的6,7
  2. 对两张表进行union all
  3. 使用开窗函数rank,并降序排序,rank=1的就是需要的最新拉链表数据,rank=2就是过期的数据

3.3 实操

  1. 将两表union all
    select 
        id,
        name,
        start_date,
        end_date
    from a
    where dt = 9999-12-31

    union all 

    select 
        select id,
        name,
        start_date,
        end_date
    from b
    where dt = 2020-06-15
   
  1. 开窗处理
select
    id,
    name,
    start_date,
    if(rk=2,date_add(2020-06-15,-1),end_date) end_date
from
(
    select 
        id,
        name,
        start_date,
        end_date
        rank() over(partition by id order by start_date desc) rk
    from

    (
        select 
            id,
            name,
            start_date,
            end_date
        from a
	where dt = 9999-12-31

        union all 

        select 
            select id,
            name,
            start_date,
            end_date
        from b
	where dt = 2020-06-15
     ) t1
) t2
  1. 设置动态分区
insert overwrite table a partition(dt)
select
    id,
    name,
    start_date,
    if(rk=2,date_add(2020-06-15,-1),end_date) end_date
    if(rk=1,9999-12-31,date_add(2020-06-15,-1)) 
from
(
    select 
        id,
        name,
        start_date,
        end_date
        rank() over(partition by id order by start_date desc) rk
    from

    (
        select 
            id,
            name,
            start_date,
            end_date
        from a

        union all 

        select 
            select id,
            name,
            start_date,
            end_date
        from b
     ) t1
) t2

4 总结

我感觉是,hive中方便和分析函数一起查看原表数据的一种工具,特别是在聚合分析的时候

以上是关于hive窗口函数极速入门及在拉链表上的运用案例的主要内容,如果未能解决你的问题,请参考以下文章

连接表上的窗口函数

Hive入门函数提升

Hive窗口函数row_number案例

Hive窗口函数row_number案例

Hive函数入门--案例:UDF实现手机号加密--代码实现与效果演示

hive窗口函数总结