Hive 分析函数lead、lag实例应用

Lag和Lead分析函数可以在同一次查询中取出同一字段的后N行的数据(Lag)和前N行的数据(Lead)作为独立的列。

这种操作可以代替表的自联接，并且LAG和LEAD有更高的效率，其中over()表示当前查询的结果集对象，括号里面的语句则表示对这个结果集进行处理。

1 LEAD

与LAG相反，LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值

参数1为列名，参数2为往下第n行（可选，默认为1），参数3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）

场景

用户Peter在浏览网页，在某个时刻，Peter点进了某个页面，过一段时间后，Peter又进入了另外一个页面，如此反复，那怎么去统计Peter在某个特定网页的停留时间呢，又或是怎么统计某个网页用户停留的总时间呢？

create table test.user_log(
    userid string,
    time string,
    url string
) row format delimited fields terminated by '	';

使用load命令将如下测试数据导入：

Peter	2015-10-12 01:10:00	url1
Peter	2015-10-12 01:15:10	url2
Peter	2015-10-12 01:16:40	url3
Peter	2015-10-12 02:13:00	url4
Peter	2015-10-12 03:14:30	url5
Marry	2015-11-12 01:10:00	url1
Marry	2015-11-12 01:15:10	url2
Marry	2015-11-12 01:16:40	url3
Marry	2015-11-12 02:13:00	url4
Marry	2015-11-12 03:14:30	url5

数据说明：Peter 2015-10-12 01:10:00 url1 ，表示Peter在2015-10-12 01:10:00进入了网页url2，即记录的是进入网页的时间。

分析

要计算Peter在页面url1停留的时间，需要用进入页面url2的时间，减去进入url1的时间，即2015-10-12 01:15:10这个时间既是离开页面url1的时间，也是开始进入页面url2的时间。

获取用户在某个页面停留的起始与结束时间：

select userid,
time stime,
lead(time) over(partition by userid order by time) etime,
url 
from test.user_log;

stime就是进入页面时间，etime就是离开页面时间，结果是这样的：

Marry	2015-11-12 01:10:00	2015-11-12 01:15:10	url1
Marry	2015-11-12 01:15:10	2015-11-12 01:16:40	url2
Marry	2015-11-12 01:16:40	2015-11-12 02:13:00	url3
Marry	2015-11-12 02:13:00	2015-11-12 03:14:30	url4
Marry	2015-11-12 03:14:30	NULL	url5
Peter	2015-10-12 01:10:00	2015-10-12 01:15:10	url1
Peter	2015-10-12 01:15:10	2015-10-12 01:16:40	url2
Peter	2015-10-12 01:16:40	2015-10-12 02:13:00	url3
Peter	2015-10-12 02:13:00	2015-10-12 03:14:30	url4
Peter	2015-10-12 03:14:30	NULL	url5

用etime减去stime，然后按照用户分组累加就是，每个用户访问的总时间了。

select userid,
time stime,
lead(time) over(partition by userid order by time) etime,
UNIX_TIMESTAMP(lead(time) over(partition by userid order by time),'yyyy-MM-dd HH:mm:ss')- UNIX_TIMESTAMP(time,'yyyy-MM-dd HH:mm:ss') period,
url 
from test.user_log;

这里展示出了stime(开始时间)，etime(离开时间)，period(停留时长)，url(页面地址)，结果：

Marry	2015-11-12 01:10:00	2015-11-12 01:15:10	310	url1
Marry	2015-11-12 01:15:10	2015-11-12 01:16:40	90	url2
Marry	2015-11-12 01:16:40	2015-11-12 02:13:00	3380	url3
Marry	2015-11-12 02:13:00	2015-11-12 03:14:30	3690	url4
Marry	2015-11-12 03:14:30	NULL	NULL	url5
Peter	2015-10-12 01:10:00	2015-10-12 01:15:10	310	url1
Peter	2015-10-12 01:15:10	2015-10-12 01:16:40	90	url2
Peter	2015-10-12 01:16:40	2015-10-12 02:13:00	3380	url3
Peter	2015-10-12 02:13:00	2015-10-12 03:14:30	3690	url4
Peter	2015-10-12 03:14:30	NULL	NULL	url5

• 这里有空的情况，也就是没有获取到离开时间，这要看实际业务怎么定义了，如果算到23点，太长了。

2 Lag

LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值第一个参数为列名，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）可以用来做一些时间的维护，如上一次登录时间。

场景

用户Peter在浏览网页，在某个时刻，Peter点进了某个页面，过一段时间后，Peter又进入了另外一个页面，如此反复，那怎么去统计Peter在某个特定网页的停留时间呢，又或是怎么统计某个网页用户停留的总时间呢？

create table test.user_log(
    userid string,
    time string,
    url string
) row format delimited fields terminated by '	';

使用load命令将如下测试数据导入：

Peter	2015-10-12 01:10:00	url1
Peter	2015-10-12 01:15:10	url2
Peter	2015-10-12 01:16:40	url3
Peter	2015-10-12 02:13:00	url4
Peter	2015-10-12 03:14:30	url5
Marry	2015-11-12 01:10:00	url1
Marry	2015-11-12 01:15:10	url2
Marry	2015-11-12 01:16:40	url3
Marry	2015-11-12 02:13:00	url4
Marry	2015-11-12 03:14:30	url5

数据说明：Peter 2015-10-12 01:10:00 url1 ，表示Peter在2015-10-12 01:10:00进入了网页url2，即记录的是进入网页的时间。

select userid,
time etime,
lag(time, 1, '1970-01-01 00:00:00') over(partition by userid order by time) stime,
url 
from test.user_log;

这里etime是结束时间，stime是开始时间，结果：

Marry	2015-11-12 01:10:00	1970-01-01 00:00:00	url1
Marry	2015-11-12 01:15:10	2015-11-12 01:10:00	url2
Marry	2015-11-12 01:16:40	2015-11-12 01:15:10	url3
Marry	2015-11-12 02:13:00	2015-11-12 01:16:40	url4
Marry	2015-11-12 03:14:30	2015-11-12 02:13:00	url5
Peter	2015-10-12 01:10:00	1970-01-01 00:00:00	url1
Peter	2015-10-12 01:15:10	2015-10-12 01:10:00	url2
Peter	2015-10-12 01:16:40	2015-10-12 01:15:10	url3
Peter	2015-10-12 02:13:00	2015-10-12 01:16:40	url4
Peter	2015-10-12 03:14:30	2015-10-12 02:13:00	url5

计算总时间，只需要用结束时间 - 开始时间，然后分组累加即可。

select userid,
UNIX_TIMESTAMP(time, 'yyyy-MM-dd HH:mm:ss') - 
UNIX_TIMESTAMP(lag(time, 1, '1970-01-01 00:00:00') over(partition by userid order by time), 'yyyy-MM-dd HH:mm:ss'),
url 
from test.user_log;

结果

Marry	1447290600	url1
Marry	310	url2
Marry	90	url3
Marry	3380	url4
Marry	3690	url5
Peter	1444612200	url1
Peter	310	url2
Peter	90	url3
Peter	3380	url4
Peter	3690	url5

因为有两个我将默认值置为了1970-01-01，所以算出来比较大，实际工作中需要按照实际情况处理。