Hive中的窗口函数

简介

本文主要介绍hive中的窗口函数.hive中的窗口函数和sql中的窗口函数相类似,都是用来做一些数据分析类的工作,一般用于olap分析

概念

我们都知道在sql中有一类函数叫做聚合函数,例如sum()、avg()、max()等等,这类函数可以将多行数据按照规则聚集为一行,一般来讲聚集后的行数是要少于聚集前的行数的.但是有时我们想要既显示聚集前的数据,又要显示聚集后的数据,这时我们便引入了窗口函数.

在深入研究Over字句之前，一定要注意：在SQL处理中，窗口函数都是最后一步执行，而且仅位于Order by字句之前.

数据准备

我们准备一张order表,字段分别为name,orderdate,cost.数据内容如下:

jack,2015-01-01,10

tony,2015-01-02,15

jack,2015-02-03,23

tony,2015-01-04,29

jack,2015-01-05,46

jack,2015-04-06,42

tony,2015-01-07,50

jack,2015-01-08,55

mart,2015-04-08,62

mart,2015-04-09,68

neil,2015-05-10,12

mart,2015-04-11,75

neil,2015-06-12,80

mart,2015-04-13,94

在hive中建立一张表t_window,将数据插入进去.

实例

聚合函数+over

假如说我们想要查询在2015年4月份购买过的顾客及总人数,我们便可以使用窗口函数去去实现

select name,count(*) over ()

from t_window

where substring(orderdate,1,7) = '2015-04'

得到的结果如下:

name    count_window_0

mart    5

mart    5

mart    5

mart    5

jack    5

可见其实在2015年4月一共有5次购买记录,mart购买了4次,jack购买了1次.事实上,大多数情况下,我们是只看去重后的结果的.针对于这种情况,我们有两种实现方式

第一种：distinct

select distinct name,count(*) over ()

from t_window

where substring(orderdate,1,7) = '2015-04'

第二种:group by

select name,count(*) over ()

from t_window

where substring(orderdate,1,7) = '2015-04'

group by name

执行后的结果如下:

name count_window_0
mart 2
jack 2

partition by子句

Over子句之后第一个提到的就是Partition By.Partition By子句也可以称为查询分区子句，非常类似于Group By，都是将数据按照边界值分组，而Over之前的函数在每一个分组之内进行，如果超出了分组，则函数会重新计算.

实例

我们想要去看顾客的购买明细及月购买总额,可以执行如下的sql

select name,orderdate,cost,sum(cost) over(partition by month(orderdate))

from t_window

执行结果如下:

name    orderdate   cost    sum_window_0

jack    2015-01-01 10 205

jack    2015-01-08 55 205

tony    2015-01-07 50 205

jack    2015-01-05 46 205

tony    2015-01-04 29 205

tony    2015-01-02 15 205

jack    2015-02-03 23 23

mart    2015-04-13 94 341

jack    2015-04-06 42 341

mart    2015-04-11 75 341

mart    2015-04-09 68 341

mart    2015-04-08 62 341

neil    2015-05-10 12 12

neil    2015-06-12 80 80

可以看出数据已经按照月进行汇总了.

order by子句

上述的场景,假如我们想要将cost按照月进行累加.这时我们引入order by子句.

order by子句会让输入的数据强制排序（文章前面提到过，窗口函数是SQL语句最后执行的函数，因此可以把SQL结果集想象成输入数据）。Order By子句对于诸如Row_Number()，Lead()，LAG()等函数是必须的，因为如果数据无序，这些函数的结果就没有任何意义。因此如果有了Order By子句，则Count()，Min()等计算出来的结果就没有任何意义。

我们在上面的代码中加入order by

select name,orderdate,cost,sum(cost) over(partition by month(orderdate) order by orderdate )

from t_window

得到的结果如下：(order by默认情况下聚合从起始行当当前行的数据)

name    orderdate   cost    sum_window_0

jack    2015-01-01 10 10

tony    2015-01-02 15 25

tony    2015-01-04 29 54

jack    2015-01-05 46 100

tony    2015-01-07 50 150

jack    2015-01-08 55 205

jack    2015-02-03 23 23

jack    2015-04-06 42 42

mart    2015-04-08 62 104

mart    2015-04-09 68 172

mart    2015-04-11 75 247

mart    2015-04-13 94 341

neil    2015-05-10 12 12

neil    2015-06-12 80 80

window子句

我们在上面已经通过使用partition by子句将数据进行了分组的处理.如果我们想要更细粒度的划分，我们就要引入window子句了.

我们首先要理解两个概念:
- 如果只使用partition by子句,未指定order by的话,我们的聚合是分组内的聚合.
- 使用了order by子句,未使用window子句的情况下,默认从起点到当前行.

当同一个select查询中存在多个窗口函数时,他们相互之间是没有影响的.每个窗口函数应用自己的规则.

window子句：
- PRECEDING：往前
- FOLLOWING：往后
- CURRENT ROW：当前行
- UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDED FOLLOWING：表示到后面的终点

我们按照name进行分区,按照购物时间进行排序,做cost的累加.
如下我们结合使用window子句进行查询

select name,orderdate,cost,

sum(cost) over() as sample1,--所有行相加

sum(cost) over(partition by name) as sample2,--按name分组，组内数据相加

sum(cost) over(partition by name order by orderdate) as sample3,--按name分组，组内数据累加

sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row )  as sample4 ,--和sample3一样,由起点到当前行的聚合

sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING   and current row) as sample5, --当前行和前面一行做聚合

sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING   AND 1 FOLLOWING  ) as sample6,--当前行和前边一行及后面一行

sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行

from t_window;

得到查询结果如下：

name    orderdate   cost    sample1 sample2 sample3 sample4 sample5 sample6 sample7

jack    2015-01-01 10 661 176 10 10 10 56 176

jack    2015-01-05 46 661 176 56 56 56 111 166

jack    2015-01-08 55 661 176 111 111 101 124 120

jack    2015-02-03 23 661 176 134 134 78 120 65

jack    2015-04-06 42 661 176 176 176 65 65 42

mart    2015-04-08 62 661 299 62 62 62 130 299

mart    2015-04-09 68 661 299 130 130 130 205 237

mart    2015-04-11 75 661 299 205 205 143 237 169

mart    2015-04-13 94 661 299 299 299 169 169 94

neil    2015-05-10 12 661 92 12 12 12 92 92

neil    2015-06-12 80 661 92 92 92 92 92 80

tony    2015-01-02 15 661 94 15 15 15 44 94

tony    2015-01-04 29 661 94 44 44 44 94 79

tony    2015-01-07 50 661 94 94 94 79 79 50

窗口函数中的序列函数

主要序列函数是不支持window子句的.

hive中常用的序列函数有下面几个:

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

· NTILE不支持ROWS BETWEEN，
比如 NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW)

· 如果切片不均匀，默认增加第一个切片的分布

这个函数用什么应用场景呢?假如我们想要每位顾客购买金额前1/3的交易记录,我们便可以使用这个函数.

select name,orderdate,cost,

       ntile(3) over() as sample1 , --全局数据切片

       ntile(3) over(partition by name), -- 按照name进行分组,在分组内将数据切成3份

       ntile(3) over(order by cost),--全局按照cost升序排列,数据切成3份

       ntile(3) over(partition by name order by cost ) --按照name分组，在分组内按照cost升序排列,数据切成3份

from t_window

得到的数据如下：

name    orderdate   cost    sample1 sample2 sample3 sample4

jack    2015-01-01 10 3 1 1 1

jack    2015-02-03 23 3 1 1 1

jack    2015-04-06 42 2 2 2 2

jack    2015-01-05 46 2 2 2 2

jack    2015-01-08 55 2 3 2 3

mart    2015-04-08 62 2 1 2 1

mart    2015-04-09 68 1 2 3 1

mart    2015-04-11 75 1 3 3 2

mart    2015-04-13 94 1 1 3 3

neil    2015-05-10 12 1 2 1 1

neil    2015-06-12 80 1 1 3 2

tony    2015-01-02 15 3 2 1 1

tony    2015-01-04 29 3 3 1 2

tony    2015-01-07 50 2 1 2 3

如上述数据，我们去sample4 = 1的那部分数据就是我们要的结果

row_number、rank、dense_rank

这三个窗口函数的使用场景非常多
- row_number()从1开始，按照顺序，生成分组内记录的序列,row_number()的值不会存在重复,当排序的值相同时,按照表中记录的顺序进行排列
- RANK() 生成数据项在分组中的排名，排名相等会在名次中留下空位
- DENSE_RANK() 生成数据项在分组中的排名，排名相等会在名次中不会留下空位

**注意：
rank和dense_rank的区别在于排名相等时会不会留下空位.**

举例如下:

SELECT

cookieid,

createtime,

pv,

RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn1,

DENSE_RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn2,

ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESC) AS rn3

FROM lxw1234

WHERE cookieid = 'cookie1';

cookieid day           pv       rn1     rn2     rn3

cookie1 2015-04-12      7       1       1       1

cookie1 2015-04-11      5       2       2       2

cookie1 2015-04-15      4       3       3       3

cookie1 2015-04-16      4       3       3       4

cookie1 2015-04-13      3       5       4       5

cookie1 2015-04-14      2       6       5       6

cookie1 2015-04-10      1       7       6       7

rn1: 15号和16号并列第3, 13号排第5

rn2: 15号和16号并列第3, 13号排第4

rn3: 如果相等，则按记录值排序，生成唯一的次序，如果所有记录值都相等，或许会随机排吧。

LAG和LEAD函数

这两个函数为常用的窗口函数,可以返回上下数据行的数据. 以我们的订单表为例,假如我们想要查看顾客上次的购买时间可以这样去查询

select name,orderdate,cost,

lag(orderdate,1,'1900-01-01') over(partition by name order by orderdate ) as time1,

lag(orderdate,2) over (partition by name order by orderdate) as time2

from t_window;

查询后的数据为:

name    orderdate   cost    time1   time2

jack    2015-01-01 10 1900-01-01 NULL

jack    2015-01-05 46 2015-01-01 NULL

jack    2015-01-08 55 2015-01-05 2015-01-01

jack    2015-02-03 23 2015-01-08 2015-01-05

jack    2015-04-06 42 2015-02-03 2015-01-08

mart    2015-04-08 62 1900-01-01 NULL

mart    2015-04-09 68 2015-04-08 NULL

mart    2015-04-11 75 2015-04-09 2015-04-08

mart    2015-04-13 94 2015-04-11 2015-04-09

neil    2015-05-10 12 1900-01-01 NULL

neil    2015-06-12 80 2015-05-10 NULL

tony    2015-01-02 15 1900-01-01 NULL

tony    2015-01-04 29 2015-01-02 NULL

tony    2015-01-07 50 2015-01-04 2015-01-02

time1取的为按照name进行分组,分组内升序排列,取上一行数据的值.

time2取的为按照name进行分组，分组内升序排列,取上面2行的数据的值,注意当lag函数为设置行数值时,默认为1行.未设定取不到时的默认值时,取null值.

lead函数与lag函数方向相反,取向下的数据.

first_value和last_value

first_value取分组内排序后，截止到当前行，第一个值
last_value取分组内排序后，截止到当前行，最后一个值

select name,orderdate,cost,

first_value(orderdate) over(partition by name order by orderdate) as time1,

last_value(orderdate) over(partition by name order by orderdate) as time2

from t_window

查询结果如下:

name    orderdate   cost    time1   time2

jack    2015-01-01 10 2015-01-01 2015-01-01

jack    2015-01-05 46 2015-01-01 2015-01-05

jack    2015-01-08 55 2015-01-01 2015-01-08

jack    2015-02-03 23 2015-01-01 2015-02-03

jack    2015-04-06 42 2015-01-01 2015-04-06

mart    2015-04-08 62 2015-04-08 2015-04-08

mart    2015-04-09 68 2015-04-08 2015-04-09

mart    2015-04-11 75 2015-04-08 2015-04-11

mart    2015-04-13 94 2015-04-08 2015-04-13

neil    2015-05-10 12 2015-05-10 2015-05-10

neil    2015-06-12 80 2015-05-10 2015-06-12

tony    2015-01-02 15 2015-01-02 2015-01-02

tony    2015-01-04 29 2015-01-02 2015-01-04

tony    2015-01-07 50 2015-01-02 2015-01-07