使用 hive udf 函数计算运行总和

Posted 2023-04-13

【中文标题】使用 hive udf 函数计算运行总和

【英文标题】：Computing running sum using hive udf functions

【发布时间】：2013-01-28 22:35:52

【问题描述】：

我是 Hive 的新手，我想先原谅我对以下任何内容的无知。我有一张如下表：

SELECT a.storeid, a.smonth, a.sales FROM table a;
1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

我的目标输出如下：

1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0
1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0

我写了一个简单的hive udf sum 类来实现上面的并在查询中使用了SORT BY storeid, smonth：

SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table SORT BY storeid, smonth) a;

显然，它不会产生上述输出，因为只有一个映射器并且调用了相同的 udf 实例，它会在总集上生成一个运行总和。我的目标是为每个 storeid 重置 udf 类中的 runningSum 实例变量，以便评估函数返回上述输出。 我使用了以下内容： 1.传递storeid变量rsum(sales, storeid)，然后我们就可以在udf类中正确处理这种情况了。 2. 使用 2 个映射器，如下查询：

set mapred.reduce.tasks=2;
SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table DISTRIBUTE BY storeid SORT BY storeid, smonth) a;

1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0
1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0

为什么 1002 总是出现在顶部？ 除了上述方法之外，我想就其他不同的方法（例如子查询/连接）寻求您的建议。另外，您建议的方法的时间复杂度是多少？

【参考方案1】：

Hive 提供了一种在单行中执行此操作的更好方法 - 请按照以下流程实现您的目标输出

创建一个可以包含您的数据集的配置单元表 -

1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

现在只需在 hive 终端中运行以下命令 -

SELECT storeid, smonth, sales, SUM(sales) OVER (PARTITION BY storeid ORDER BY smonth) FROM table_name;

输出将像 -

1001  1  35000.0  35000.0
1001  2  25000.0  60000.0
1001  3  40000.0  100000.0
1002  1  40000.0  40000.0
1002  2  35000.0  75000.0
1002  3  110000.0 185000.0

我希望这可以帮助您获得目标输出。

【参考方案2】：

或者，您可以查看 this Hive 票证，其中包含多个功能扩展。 其中有一个累积和实现（GenericUDFSum）。

这个函数（称为“rsum”）有两个参数，id的哈希值（记录在reducer之间的分区）和它们对应的值相加：

select t.storeid, t.smonth, t.sales, rsum(hash(t.storeid),t.sales) as sales_sum 
  from (select storeid, smonth, sales from sm distribute by hash(storeid) 
    sort by storeid, smonth) t;

1001  1  35000.0  35000.0
1001  2  25000.0  60000.0
1001  3  40000.0  100000.0
1002  1  40000.0  40000.0
1002  2  35000.0  75000.0
1002  3  110000.0 185000.0

【参考方案3】：

SELECT storeid, smonth, sales, sum(sales) over(partition by storeid order by smonth) as rsum 从表;

【参考方案4】：

这应该可以解决问题：

SELECT 
    a.storeid, 
    a.smonth,
    a.sales,
    SUM(a.sales) 
OVER (
    PARTITION BY a.storeid 
    ORDER BY a.smonth asc 
    ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)
FROM 
    table a;

源代码：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics