Hive常用函数大全（窗口函数、分析函数）

1、相关函数

1.1 窗口函数

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
LEAD(col,n,DEFAULT) ：用于统计窗口内往后第n行值。
- 第一个参数为列名，
- 第二个参数为往下第n行（可选，默认为1），
- 第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）
LAG(col,n,DEFAULT) ：用于统计窗口内往前第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）

1.2 OVER从句

1、使用标准的聚合函数COUNT、SUM、MIN、MAX、AVG
2、使用PARTITION BY语句，使用一个或者多个原始数据类型的列
3、使用PARTITION BY与ORDER BY语句，使用一个或者多个数据类型的分区或者排序列
4、使用窗口规范，窗口规范支持以下格式：

(ROWS | RANGE) BETWEEN (UNBOUNDED | [num]) PRECEDING AND ([num] PRECEDING | CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
(ROWS | RANGE) BETWEEN CURRENT ROW AND (CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
(ROWS | RANGE) BETWEEN [num] FOLLOWING AND (UNBOUNDED | [num]) FOLLOWING

5、当ORDER BY后面缺少窗口从句条件，窗口规范默认是 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW.

6、当ORDER BY和窗口从句都缺失, 窗口规范默认是 ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING.

7、OVER从句支持以下函数，但是并不支持和窗口一起使用它们。

8、Ranking函数: Rank, NTile, DenseRank, CumeDist, PercentRank.
Lead 和 Lag 函数.

1.3 分析函数

ROW_NUMBER()：从1开始，按照顺序，生成分组内记录的序列,比如，按照pv降序排列，生成分组内每天的pv名次,ROW_NUMBER()的应用场景非常多，再比如，获取分组内排序第一的记录;获取一个session中的第一条refer等。
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
CUME_DIST：小于等于当前值的行数/分组内总行数。比如，统计小于等于当前薪水的人数，所占总人数的比例
PERCENT_RANK：分组内当前行的RANK值-1/分组内总行数-1
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，如果切片不均匀，默认增加第一个切片的分布。
- NTILE不支持ROWS BETWEEN，
- 比如 NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW)。

2、测试数据集

hive (default)> select * from business;
OK
business.name   business.orderdate      business.cost
jack    2017-01-01      10
tony    2017-01-02      15
jack    2017-02-03      23
tony    2017-01-04      29
jack    2017-01-05      46
jack    2017-04-06      42
tony    2017-01-07      50
jack    2017-01-08      55
mart    2017-04-08      62
mart    2017-04-09      68
neil    2017-05-10      12
mart    2017-04-11      75
neil    2017-06-12      80
mart    2017-04-13      94

3、案例

3.1 COUNT、SUM、MIN、MAX、AVG

select name,orderdate,cost,
-- 所有行相加
sum(cost) over() as c1,
-- 按name分组，组内相加
sum(cost) over(partition by name)  as c1,
-- （默认起点到当前行相加）按name分组，orderdate排序，组内相加
sum(cost) over(partition by name order by orderdate)  as c2,
-- 起点到当前行的
sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row )  as c3,
-- 当前行+前面2行
sum(cost) over(partition by name order by orderdate rows between 2 preceding and current row )  as c4,
-- 当前行+后面2行
sum(cost) over(partition by name order by orderdate rows between current row and 2 following )  as c5,
-- 前面2行+当前行+后面2行
sum(cost) over(partition by name order by orderdate rows between 2 preceding and 2 following )  as c6,
-- （partition by .. order by）可替换为（distribute by .. sort by ..）
sum(cost) over(partition by name order by orderdate rows between 2 preceding and 2 following )  as c7
from business;

注意:

结果和ORDER BY相关，默认为升序
如果不指定ROWS BETWEEN,默认为从起点到当前行;
如果不指定ORDER BY，则将分组内所有值累加;
order by必须跟在partition by后;
Rows必须跟在Order by子；
（partition by .. order by）可替换为（distribute by .. sort by ..）

理解ROWS BETWEEN含义,也叫做WINDOW子句：
PRECEDING：往前
FOLLOWING：往后
CURRENT ROW：当前行
UNBOUNDED：无界限（起点或终点）
UNBOUNDED PRECEDING：表示从前面的起点
UNBOUNDED FOLLOWING：表示到后面的终点

3.2 first_value与last_value

select name,orderdate,cost,
row_number() over(partition by name order by cost) c1,
-- 正序时：当前行到第一个值之间，第一个值
first_value(cost) over(partition by name order by cost) c2,
-- 正序时：当前行到最后一个值之间，最后一个值
last_value(cost) over(partition by name order by cost) c3,
-- 倒序时：当前行到第一个值之间，第一个值
first_value(cost) over(partition by name order by cost desc) c4,
-- 倒序时：当前行到最后一个值之间，最后一个值
last_value(cost) over(partition by name order by cost desc) c5,
row_number() over(partition by name order by cost desc) c6
from business;

3.3 lead与lag

select name,orderdate,cost,
-- 分组内当前行，往后第一行的值（不包括当前行）
lead(cost) over(partition by name order by cost) c1,
-- 分组内当前行，往后第二行的值（不包括当前行）
lead(cost,2) over(partition by name order by cost) c2,
-- 分组内当前行，往后第二行的值（不包括当前行），如果为null，则用9999代替
lead(cost,2,9999) over(partition by name order by cost) c3,
-- 分组内当前行，往前第一行的值（不包括当前行）
lag(cost) over(partition by name order by cost) c4,
-- 分组内当前行，往前第二行的值（不包括当前行）
lag(cost,2) over(partition by name order by cost) c5,
-- 分组内当前行，往前第二行的值（不包括当前行），如果为null，则用-1代替
lag(cost,2,-1) over(partition by name order by cost) c6
from business;

3.4 RANK、ROW_NUMBER、DENSE_RANK

select 
name,orderdate,cost,c,
-- 自然序号排序，不跳数，不重复
ROW_NUMBER() over(partition by name order by c) c1,
-- 排序相同，中间会跳数，总数不变
RANK() over(partition by name order by c) c2,
-- 排序相同，中间不会跳数，总数会减少
DENSE_RANK() over(partition by name order by c) c3
from(
select name,orderdate,cost,date_format(orderdate,'yyyyMM') c
from business)T;

3.5 NTILE

select name,orderdate,cost,
-- 将组内数据分成1片
ntile(1) over(partition by name order by orderdate) c1,
-- 将组内数据分成2片
ntile(2) over(partition by name order by orderdate) c2,
-- 将组内数据分成3片
ntile(3) over(partition by name order by orderdate) c3,
-- 将组内数据分成4片
ntile(4) over(partition by name order by orderdate) c4
from business;

注意：

如果切片不均匀，默认增加第一个切片的分布

例如：

求20%的数据（按时间排序）

select * from(
select name,orderdate,cost,
-- 查询20%时间的订单
ntile(5) over(order by orderdate) c
from business)T where c=1;

3.6 CUME_DIST、PERCENT_RANK

CUME_DIST：

select name,orderdate,cost,
-- 不分组，所有数据为一组，当前行占总行数的比例，
-- 第一行：1/14=0.07142857142857142
-- 第二行：2/14=0.14285714285714285
CUME_DIST() over(order by orderdate) ,
-- 组内，计算当前行的行数/组内总行数
CUME_DIST() over(partition by name order by orderdate)
from business;

PERCENT_RANK：

select name,orderdate,cost,
-- 按name分组，组内的行数
sum(1) over(partition by name),
-- 所有数据，按时间排序，排名
rank() over(order by orderdate),
-- （排名-1）/（总行数-1）
-- 第1行：排名1，（1-1）/（14-1）= 0
-- 第2行：排名4，（4-1）/（14-1）= 0.23076923076923078 
-- 第3行：排名6，（6-1）/（14-1）= 0.38461538461538464 
PERCENT_RANK() over(order by orderdate),
-- （组内当前行-1） / （当前组总行-1）
-- 第1行：（1-1）/（5-1）=0
-- 第2行：（2-1）/（5-1）=0.25
-- 第3行：（3-1）/（5-1）=0.5
PERCENT_RANK() over(partition by name order by orderdate)
from business;