hive

6.7.4 窗口函数

1．相关函数说明

OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化

CURRENT ROW：当前行

n PRECEDING：往前n行数据

n FOLLOWING：往后n行数据

UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDED FOLLOWING表示到后面的终点

LAG(col,n)：往前第n行数据

LEAD(col,n)：往后第n行数据

NTILE(n)：把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1开始，对于每一行，NTILE返回此行所属的组的编号。注意：n必须为int类型。

2．数据准备：name，orderdate，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．需求

（1）查询在2017年4月份购买过的顾客及总人数

（2）查询顾客的购买明细及月购买总额

（3）上述的场景,要将cost按照日期进行累加

（4）查询顾客上次的购买时间

（5）查询前20%时间的订单信息

4．创建本地business.txt，导入数据

[atguigu@hadoop102 datas]$ vi business.txt

5．创建hive表并导入数据

create table business(

name string,

orderdate string,

cost int

) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

load data local inpath "/opt/module/datas/business.txt" into table business;

6．按需求查询数据

（1）查询在2017年4月份购买过的顾客及总人数

select name,count(*) over ()

from business

where substring(orderdate,1,7) = '2017-04'

group by name;

（2）查询顾客的购买明细及月购买总额

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

business;

（3）上述的场景,要将cost按照日期进行累加

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 business;

（4）查看顾客上次的购买时间

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 business;

（5）查询前20%时间的订单信息

select * from (

select name,orderdate,cost, ntile(5) over(order by orderdate) sorted

from business

) t

where sorted = 1;

6.7.5 Rank

1．函数说明

RANK() 排序相同时会重复，总数不会变

DENSE_RANK() 排序相同时会重复，总数会减少

ROW_NUMBER() 会根据顺序计算

2．数据准备

表6-7 数据准备

name	subject	score
孙悟空	语文	87
孙悟空	数学	95
孙悟空	英语	68
大海	语文	94
大海	数学	56
大海	英语	84
宋宋	语文	64
宋宋	数学	86
宋宋	英语	84
婷婷	语文	65
婷婷	数学	85
婷婷	英语	78

3．需求

计算每门学科成绩排名。

4．创建本地movie.txt，导入数据

[atguigu@hadoop102 datas]$ vi score.txt

5．创建hive表并导入数据

create table score(

name string,

subject string,

score int)

row format delimited fields terminated by " ";

load data local inpath '/opt/module/datas/score.txt' into table score;

6．按需求查询数据

select name,

subject,

score,

rank() over(partition by subject order by score desc) rp,

dense_rank() over(partition by subject order by score desc) drp,

row_number() over(partition by subject order by score desc) rmp

from score;

name subject score rp drp rmp

孙悟空数学 95 1 1 1

宋宋数学 86 2 2 2

婷婷数学 85 3 3 3

大海数学 56 4 4 4

宋宋英语 84 1 1 1

大海英语 84 1 1 2

婷婷英语 78 3 2 3

孙悟空英语 68 4 3 4

大海语文 94 1 1 1

孙悟空语文 87 2 2 2

婷婷语文 65 3 3 3

宋宋语文 64 4 4 4

1、hive常用的系统函数

1.1聚合函数

sum 求和

count 求个数

avg 求平均值

distinct 求不同值数

min 求最小值

max 求最大值

1.2 分析函数

rank

row_number

dense_rank

cume_dist

percent_rank

1.3 字符串连接函数

concat

concat_ws

collect_list

collect_set

1.4 其他函数

cast 类型转换

if 判断 if(con,'','')

1.1 collect_set 把同一分组的不同行的数据聚合成一个集合

1 hive (gmall)> select * from stud;
2 stud.name       stud.area       stud.course     stud.score
3 zhang3  bj      math    88
4 li4     bj      math    99
5 wang5   sh      chinese 92
6 zhao6   sh      chinese 54
7 tian7   bj      chinese 91

hive (gmall)> select course, collect_set(area), avg(score) from stud group by course;
chinese ["sh","bj"]     79.0
math    ["bj"]  93.5

用下标可以取一个

1 hive (gmall)> select course, collect_set(area)[0], avg(score) from stud group by course;
2 chinese sh      79.0
3 math    bj      93.5

1.2、日期处理函数

1.2.1、 data_format 日期格式化

1 hive (gmall)> select date_format('2019-02-10','yyyy-MM');
2 2019-02

1.2.2、 data_add 加减日期

1 hive (gmall)> select date_add('2019-02-10',-1);
2 2019-02-09
3 hive (gmall)> select date_add('2019-02-10',1);
4 2019-02-11

1.2.3、 next_day

取当前天的下周的周一

1 hive (gmall)> select next_day('2019-02-12','MO');
2 2019-02-18

取当前周的周一

hive (gmall)> select   data_add(next_day('2019-02-12','MO')-7);
2019-02-18

1.2.4、 last_day 求当月最后一天的日期

1 hive (gmall)> select last_day('2019-02-10');
2 2019-02-28

2排序

2.1 order by 全局排序。一个reducer

2.2sort by 每个reducer内部排序，对全局结果集来说不是排序。

2.3distribute by 类似MR中的partition ,进行分区。结合sort by 使用。主义hive要求distribute by 语句要写在sort 语句前

1 先按照部门编号分区，再按照员工编号降序排序。
2 hive (default)> set mapreduce.job.reduces=3;
3 hive (default)> select * from emp distribute by deptno sort by empno desc

2.4 cluster by 当distribute by 和sort by 字段相同时。可以使用cluster by 。但是cluster by 排序只能是升序排序。

1 以下两种写法等价
2 hive (default)> select * from emp cluster by deptno;
3 hive (default)> select * from emp distribute by deptno sort by deptno;
4 注意：按照部门编号分区，不一定就是固定死的数值，可以是20号和30号部门分到一个分区里面去