hive计算分位数

Posted 2020-10-30 change_world

hive里面倒是有个percentile函数和percentile_approx函数，其使用方式为percentile(col, p)、percentile_approx(col, p)，p∈(0,1)p∈(0,1) 
其中percentile要求输入的字段必须是int类型的，而percentile_approx则是数值类似型的都可以 
其实percentile_approx还有一个参数B：percentile_approx(col, p，B)，参数B控制内存消耗的近似精度，B越大，结果的准确度越高。默认为10,000。当col字段中的distinct值的个数小于B时，结果为准确的百分位数。 
如果我要求多个分位数怎么办呢？，可以把p换为array(p1,p2,p3…p1,p2,p3…)，即

 

percentile_approx(col,array(0.05,0.5,0.95),9999)percentile_approx(col,array(0.05,0.5,0.95),9999)

如果不放心的话，就给col再加个转换： 

 

percentile_approx(cast(col as double),array(0.05,0.5,0.95),9999)percentile_approx(cast(col as double),array(0.05,0.5,0.95),9999)

其输出结果长这样：

 

[0.0,4001.0,4061.0][0.0,4001.0,4061.0]

没法直接用啊！再加个转换：

 

explode(percentile_approx(cast(col as double),array(0.05,0.5,0.95),9999))as percentileexplode(percentile_approx(cast(col as double),array(0.05,0.5,0.95),9999))as percentile

输出结果就长这样了：

 

percentile
0
4001
4061

---

实际操作中，发现有时在计算分位数的时候mapper会卡在0%。 
前面说过，如果distinct的值小于B，就会返回精确值，那么个人猜测是因为后台执行的过程是先做了一个select distinct limit B，然后排序得到分位数。如果distinct值特别多的情况下，仅仅是去重就是一个巨大的运算负担，更别说排序了。而当把B从10000调到100的时候很快就能跑出来了