上篇博客介绍了Hive中用于累计统计的开窗函数,本文接续上文介绍第二种:用于组内排序的开窗函数。用于组内排序的开窗函数使用频率远高于其他开窗函数,因为在工作中应用场景更多,比如分组排序、取每个分组内的Top n、用户行为轨迹追踪、组内随机抽样等等。下面我们对这类函数来做一个详细介绍。
函数名 | 描述 |
---|---|
row_number() | 生成数据项在分组中的排名,排名即便相等也不会有并列排名,相同排名随机排序。例:1,2,3,4,5 |
rank() |
生成数据项在分组中的排名,排名相等时会产生并列排名,然后会在名次中留下空位。例:1,2,2,4,5 |
dense_rank() |
生成数据项在分组中的排名,排名相等时会产生并列排名,然后在名次中不会留下空位。例:1,2,2,3,4 |
上述三个函数使用时依旧是后面+开窗函数的固定写法:
over(partition by 列名1,列名2 …… order by 列名3,列名4 …… [desc])
数据准备:
新建test.txt文件,输入如下的三列数据,以空格分隔。第一列是月份,第二列代表商铺名称,第三列代表该商铺该月营业额(万元)。
[root@hadoop ~]# vim test.txt
2019-01 a 4
2019-01 b 3
2019-01 c 3
2019-01 d 2
2019-01 e 1
2019-02 a 1
2019-02 b 2
2019-02 c 3
2019-02 d 3
2019-02 e 4
在hive中新建表temp_test10,将test文件中的数据插入,查看数据。
CREATE TABLE temp_test10 (
month STRING comment '月份'
,shop STRING comment '商铺名称'
,money STRING comment '营业额(万元)'
) row format delimited fields terminated BY ' ';
load data local inpath '/root/test.txt' into table temp_test10;
select * from temp_test10;
temp_test10.month temp_test10.shop temp_test10.money
2019-01 a 4
2019-01 b 3
2019-01 c 3
2019-01 d 2
2019-01 e 1
2019-02 a 1
2019-02 b 2
2019-02 c 3
2019-02 d 3
2019-02 e 4
row_number()会生成数据项在分组中的排名,排名即便相等也不会有并列排名,相同排名随机排序。
举例:首先按照月份进行分组,然后每个组内按照营业额从大到小排序,为组内每一行数据得到一个唯一序号。
SELECT month
,shop
,MONEY
,row_number() OVER (
PARTITION BY month ORDER BY MONEY DESC --按照月份进行分组,然后每个组内按照营业额从大到小排序
) AS rk --生成的排序序号
FROM temp_test10
结果:
month shop money rk
2019-01 a 4 1
2019-01 c 3 2
2019-01 b 3 3
2019-01 d 2 4
2019-01 e 1 5
2019-02 e 4 1
2019-02 d 3 2
2019-02 c 3 3
2019-02 b 2 4
2019-02 a 1 5
举例:取出1月和2月每个月营业额排名前3的店铺及营业额。
使用子查询取出rk<=3的数据即可
SELECT *
FROM (
SELECT month
,shop
,MONEY
,row_number() OVER (
PARTITION BY month ORDER BY MONEY DESC --按照月份进行分组,然后每个组内按照营业额从大到小排序
) AS rk
FROM temp_test10
) a
WHERE rk <= 3;
结果:
a.month a.shop a.money a.rk
2019-01 a 4 1
2019-01 c 3 2
2019-01 b 3 3
2019-02 e 4 1
2019-02 d 3 2
2019-02 c 3 3
如果只有一个分组,那么可以省略partition by,比如只取出1月营业额排名前3的店铺及营业额。
SELECT *
FROM (
SELECT month
,shop
,MONEY
,row_number() OVER (
ORDER BY MONEY DESC --按照营业额从大到小排序
) AS rk
FROM temp_test10
WHERE month = '2019-01'
) a
WHERE rk <= 3;
结果:
a.month a.shop a.money a.rk
2019-01 a 4 1
2019-01 c 3 2
2019-01 b 3 3
row_number()配合rand()函数即可实现每个分组内取出n个随机值的需求。
举例:每个月随机抽取两家店铺
SELECT *
FROM (
SELECT month
,shop
,MONEY
,row_number() OVER (
PARTITION BY month ORDER BY rand(1) --可以使用任意数作为种子进行随机排序,也可以不填,直接使用rand()
) AS rk
FROM temp_test10
) a
WHERE rk <= 2; --限制rk来取出n个随机值
结果:
a.month a.shop a.money a.rk
2019-01 c 3 1
2019-01 d 2 2
2019-02 a 1 1
2019-02 e 4 2
rank()可以生成数据项在分组中的排名,排名相等时会产生并列排名,然后会在名次中留下空位。应用场景不多,很少需要使用,了解即可。
举例:首先按照月份进行分组,然后每个组内按照营业额从大到小排序,生成排名,并列排名后留下空位。
SELECT month
,shop
,MONEY
,rank() OVER (
PARTITION BY month ORDER BY MONEY DESC --按照月份进行分组,然后每个组内按照营业额从大到小排序
) AS rk --生成的排序序号
FROM temp_test10;
结果:
month shop money rk
2019-01 a 4 1
2019-01 c 3 2
2019-01 b 3 2
2019-01 d 2 4
2019-01 e 1 5
2019-02 e 4 1
2019-02 d 3 2
2019-02 c 3 2
2019-02 b 2 4
2019-02 a 1 5
dense_rank()可以生成数据项在分组中的排名,排名相等时会产生并列排名,但不会在名次中留下空位。应用场景也不多,很少需要使用,了解即可。
举例:首先按照月份进行分组,然后每个组内按照营业额从大到小排序,生成排名,并列排名后不要留下空位。
SELECT month
,shop
,MONEY
,dense_rank() OVER (
PARTITION BY month ORDER BY MONEY DESC --按照月份进行分组,然后每个组内按照营业额从大到小排序
) AS rk --生成的排序序号
FROM temp_test10;
结果:
month shop money rk
2019-01 a 4 1
2019-01 c 3 2
2019-01 b 3 2
2019-01 d 2 3
2019-01 e 1 4
2019-02 e 4 1
2019-02 d 3 2
2019-02 c 3 2
2019-02 b 2 3
2019-02 a 1 4
能看到这里的同学,就右上角点个赞吧,3Q~