举一反三-Pandas实现Hive中的窗口函数

Posted 2021-04-29 小小挖掘机

1、Hive窗口函数

我们先来介绍一下Hive中几个常见的窗口函数，row_number(),lag()和lead()。

row_number()

该函数的格式如下：

row_Number() OVER (partition by 分组字段 ORDER BY 排序字段 排序方式asc/desc)

简单的说，我们使用partition by后面的字段对数据进行分组，在每个组内，使用ORDER BY后面的字段进行排序，并给每条记录增加一个排序序号。

lag()

该函数的格式如下:

lag(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) 

lag括号里理由两个参数，第一个是字段名，第二个是数量N，这里的意思是，取分组排序后比该条记录序号小N的对应记录的指定字段的值，如果字段名为ts，N为1，就是取分组排序后上一条记录的ts值。

lead()
该函数的格式如下:

lead(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) 

lead括号里理由两个参数，第一个是字段名，第二个是数量N，这里的意思是，取分组排序后比该条记录序号大N的对应记录的对应字段的值，如果字段名为ts，N为1，就是取分组排序后下一条记录的ts值。

有关这几个函数的详细的实例，可以参考我之前写过的文章：https://www.jianshu.com/p/3738d3591da9，这里我们就不再赘述。

2、窗口函数的Pandas实现

接下来，我们介绍如何使用Pandas来实现上面的几个窗口函数。

数据使用
我们建立如下的测试数据集：

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})

我们使用C作为分组列，使用A作为窗口列。

2.1 row_number()

该函数的意思即分组排序，在pandas中我们可以结合groupby和rank函数来实现和row_number()类似的功能。

我们先看一下实现代码：

df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='first')
print(df)

代码的输出为：

这样我们的row_number功能就实现了，groupby方法大家应该很熟悉了，那么我们主要介绍一下rank函数，rank函数主要有两个参数，首先是ascending参数，决定是按照升序还是降序排列，这里我们选择的是升序。第二个参数是填充方式，主要有以下几种方式：
dense：稠密的方式，即当两个或多个的数值相同时，使用同样的序号，同时后面的序号是该序号+1，即多个相同的值只会占用一个序号位，例如四个数的排序，中间两个数相同，那么四个数的排序为1，2，2，3.

我们用代码看一下效果：

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='min')
print(df)

输出为：

first：即当两个或多个的数值相同时，使用不样的序号，按照数据出现的先后顺序进行排序，这个其实跟row_number的实现是相同的。

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='first')
print(df)

输出为：

max :当两个或多个的数值相同时,使用相同的序号，不过使用的是能达到的最大的序号值。例如四个数的排序，中间两个数相同，那么四个数的排序为1，3，3，4.

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='max')
print(df)

输出为：

min :当两个或多个的数值相同时,使用相同的序号，不过使用的是能达到的最小的序号值。例如四个数的排序，中间两个数相同，那么四个数的排序为1，2，3，4.

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='min')
print(df)

输出为：

2.2 lag/lead函数

pandas中使用shift函数来实现lag/lead函数，首先我们来看一个例子：

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})

df['lag'] = df.sort_values('A').groupby('C')['A'].shift(1)
df['lead'] = df.sort_values('A').groupby('C')['A'].shift(-1)
print(df)

输出为：

可以看到，当shift函数中的数字为正数时，我们就实现了lag的功能，当数字为负数时，实现的是lead的功能。不过这里切记，一定要排序哦，否则可能出现下面的结果：

df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})

df['lag'] = df.groupby('C')['A'].shift(1)
df['lead'] = df.groupby('C')['A'].shift(-1)
print(df)

输出为，这个就是完全根据数据出现的顺序进行排序的，不符合我们的要求！

好啦，两个简单的小应用就介绍到这里了，希望可以帮到大家。