如何解决hive同时计算多个分位数的问题

众所周知,原生hive没有计算中位数的函数(有的平台会有),只有计算分位数的函数percentile

在数据量不大的时候,速度尚可。但是数据量一上来之后,完全计算不出来。

那么如何解决这个问题呢,我们可以使用 row_number() over()通过两次排序来解决同时计算多个分位数,速度飞快。

比如我们需要计算mkt_mcc_storeidx表下以mkt_label,mccgroup,month分组,value_mccgroup的分位数

第一步:利用row_number() over()给value_mccgroup在分组里排序,记录下排名

如何解决hive同时计算多个分位数的问题_第1张图片

第二步:计算mkt_label,mccgroup,month分组下的数据总数

如何解决hive同时计算多个分位数的问题_第2张图片

第三步:join前两步的结果,取rank=你需要计算的分位数位置,想计算多少个分位数就计算多少个

如何解决hive同时计算多个分位数的问题_第3张图片

第四步:再排一次序,这次数据量就已经少了很多了,毕竟每组里面只有几个数据,记录排名

如何解决hive同时计算多个分位数的问题_第4张图片

第五步:得到具体的分位数

如何解决hive同时计算多个分位数的问题_第5张图片

第六步:行转成列,所有分位数计算完毕

如何解决hive同时计算多个分位数的问题_第6张图片


后来查看了下SQL代码的执行树,发现percentile利用了map来存数据,怪不得这么耗内存,其实时间久并不是算的时间久,是因为内存不够了,系统一直在回收内存

如何解决hive同时计算多个分位数的问题_第7张图片

而rank over 仅仅就是个排序而已

如何解决hive同时计算多个分位数的问题_第8张图片

你可能感兴趣的:(Hadoop)