Hive 数仓查询相关操作大全

文章目录

  • ***Hive 查询
    • 一 基本查询(Select…From)
      • 1.1 全表和特定列查询
          • 创建部门表
          • 创建员工表
          • 导入数据
            • 1.全表查询
            • 2.选择特定列查询
            • 注意:
      • 1.2 列别名
      • 1.3 算术运算符
          • 表6-3
          • 案例实操
      • 1.4 常用函数
      • 1.5 Limit语句
    • 二 Where语句
      • 2.1 比较运算符(Between/In/ Is Null)
          • 表6-4
          • 2)案例实操
      • 2.2 Like和RLike
          • 1)使用LIKE运算选择类似的值
          • 2)选择条件可以包含字符或数字:
          • 3)RLIKE子句是Hive中这个功能的一个扩展,其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。
          • 4)案例实操
      • 2.3 逻辑运算符(And/Or/Not)
          • 表6-5
          • 案例实操
            • (1)查询薪水大于1000,部门是30
            • (2)查询薪水大于1000,或者部门是30
            • (3)查询除了20部门和30部门以外的员工信息
    • 三 分组
      • 3.1 Group By语句
          • (1)计算emp表每个部门的平均工资
          • (2)计算emp每个部门中每个岗位的最高薪水
      • 3.2 Having语句
          • 1.having与where不同点
            • (1)where后面不能写分组函数,而having后面可以使用分组函数。
            • (2)having只用于group by分组统计语句。
          • 2.案例实操
            • (1)求每个部门的平均薪水大于2000的部门
    • 四 Join语句
      • 4.1 等值Join
          • 案例实操
      • 4.2 表的别名
          • 1.好处
          • 2.案例实操
      • 4.3 内连接
      • 4.4 左外连接
      • 4.5 右外连接
      • 4.6 满外连接
      • 4.7 多表连接
          • 1.创建位置表
          • 2.导入数据
          • 3.多表连接查询
      • **4.8 笛卡尔积
          • 1.笛卡尔集会在下面条件下产生
            • (1)省略连接条件
            • (2)连接条件无效
            • (3)所有表中的所有行互相连接
          • 2.案例实操
      • 4.9 连接谓词中不支持or
    • 五 排序
      • 5.1 全局排序(Order By)
      • 5.2 按照别名排序
      • 5.3 多个列排序
      • **5.4 每个MapReduce内部排序(Sort By)
          • *** 1.设置reduce个数
          • 2.查看设置reduce个数
          • 3.根据部门编号降序查看员工信息
          • 4.将查询结果导入到文件中(按照部门编号降序排序)
      • 5.5 分区排序(Distribute By)
          • distribute by 指定分区条件
          • (1)先按照部门编号分区,再按照员工编号降序排序。
          • 注意:
      • 5.6** Cluster By
          • 1)以下两种写法等价
    • mysql 没有
    • 六** 分桶及抽样查询
      • 6.1 分桶表数据存储
          • 1.先创建分桶表,通过直接导入数据文件的方式
            • (1)数据准备
            • (2)创建分桶表
            • (3)查看表结构
            • (4)导入数据到分桶表中
            • (5)查看创建的分桶表中是否分成4个桶,
            • 发现未分桶
          • 2.创建分桶表时,数据通过子查询的方式导入
            • (1)先建一个普通的stu表
            • (2)向普通的stu表中导入数据
            • (3)清空stu_buck表中数据
            • (4)导入数据到分桶表,通过子查询的方式
            • (5)发现还是只有一个分桶
            • (6)需要设置一个属性(强制分桶 不管数据量大小)
            • (7)查询分桶的数据
          • 分桶规则:
      • 6.2 分桶抽样查询
    • 七 其他常用查询函数
      • 7.1 空字段赋值
          • \1. 函数说明
          • \2. 数据准备:采用员工表
          • \3. 查询:如果员工的comm为NULL,则用-1代替
          • \4. 查询:如果员工的comm为NULL,则用领导id代替
      • 6.7.2 CASE WHEN
          • 2.需求
          • 3.创建本地emp_sex.txt,导入数据
          • 4.创建hive表并导入数据
          • 5.按需求查询数据
      • 6.7.2 行转列
          • 1.相关函数说明
          • 2.数据准备
          • 3.需求
          • 4.创建本地constellation.txt,导入数据
          • 5.创建hive表并导入数据
          • 6.按需求查询数据
            • **先看一下 人物对应星座 血型**
            • 把相同星座 血型 去重 ,人名归一行
      • 3列转行
          • 1.函数说明
          • 2.数据准备
          • 3.需求
          • 4.创建本地movie.txt,导入数据
          • 5.创建hive表并导入数据
          • 6.按需求查询数据
        • 需求 :以类型为KEY 列出对应类型对应电影
      • 4**窗口函数(开窗函数)
          • 1.相关函数说明
          • 2.数据准备:name,orderdate,cost
          • 3.需求
          • 4.创建本地business.txt,导入数据
          • 5.创建hive表并导入数据
          • 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 ** 针对全表开窗
            • (2)查询顾客的购买明细及月购买总额---针对月数开窗
            • (3)上述的场景, 将每个顾客的cost按照日期进行累加
            • 所有行相加 -全表开窗
            • 按人开窗看对应人物消费总额
            • 按name 分区 区内按月划分
            • 按name 分区 区内按月划分(当前月花的总额)
            • sum 操作窗口是当前行 和前一行 求和
            • 当前行和前边一行及后面一行 --加了三个
            • 当前行及后面所有行
          • (4)查看顾客上次的购买时间
          • (5)查询前20%时间的订单信息
      • 6.7.5 Rank
        • 1.函数说明
        • 2.数据准备
        • 3.需求
        • 4.创建本地score.txt,导入数据
        • 5.创建hive表并导入数据
        • 6.按需求查询数据
          • 1)-求排名
          • 2)求出每门学科前三名的学生?

***Hive 查询

Hive 读多,查少(重点)

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Select

查询语句语法:

一 基本查询(Select…From)

1.1 全表和特定列查询

创建部门表
创建员工表
导入数据

hive (default)> load data local inpath ‘/opt/module/datas/dept.txt’ into table dept;

hive (default)> load data local inpath ‘/opt/module/datas/emp.txt’ into table emp;

1.全表查询

hive (default)> select * from emp;

Hive 数仓查询相关操作大全_第1张图片
Hive 数仓查询相关操作大全_第2张图片

2.选择特定列查询

hive (default)> select empno, ename from emp;

Hive 数仓查询相关操作大全_第3张图片

注意:

(1)SQL 语言大小写不敏感。

(2)SQL 可以写在一行或者多行

(3)关键字不能被缩写也不能分行

(4)各子句一般要分行写。

(5)使用缩进提高语句的可读性。

1.2 列别名

1.重命名一个列

2.便于计算

3.紧跟列名,也可以在列名和别名之间加入关键字‘AS’

4.案例实操

查询名称和部门

hive (default)> select ename AS name, deptno dn from emp;

1.3 算术运算符

表6-3
运算符 描述
A+B A和B 相加
A-B A减去B
A*B A和B 相乘
A/B A除以B
A%B A对B取余
A&B A和B按位取与
A|B A和B按位取或
A^B A和B按位取异或
~A A按位取反
案例实操

​ 查询出所有员工的薪水后加1显示。

hive (default)> select sal +1 from emp;

1.4 常用函数

1.求总行数(count)

hive (default)> select count(*) from emp;

2.求工资的最大值(max)

hive (default)> select max(sal) max_sal from emp;

3.求工资的最小值(min)

hive (default)> select min(sal) min_sal from emp;

4.求工资的总和(sum)

hive (default)> select sum(sal) sum_sal from emp;

5.求工资的平均值(avg)

hive (default)> select avg(sal) avg_sal from emp;

1.5 Limit语句

典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。

hive (default)> select * from emp limit 5;

二 Where语句

1.使用WHERE子句,将不满足条件的行过滤掉

2.WHERE子句紧随FROM子句

3.案例实操

查询出薪水大于1000的所有员工

hive (default)> select * from emp where sal >1000;

注意:where子句中不能使用字段别名。

2.1 比较运算符(Between/In/ Is Null)

1)下面表中描述了谓词操作符,这些操作符同样可以用于JOIN…ON和HAVING语句中。

表6-4
操作符 支持的数据类型 描述
A=B 基本数据类型 如果A等于B则返回TRUE,反之返回FALSE
A<=>B 基本数据类型 如果A和B都为NULL,则返回TRUE,其他的和等号(=)操作符的结果一致,如果任一为NULL则结果为NULL
A<>B, A!=B 基本数据类型 A或者B为NULL则返回NULL;如果A不等于B,则返回TRUE,反之返回FALSE
A 基本数据类型 A或者B为NULL,则返回NULL;如果A小于B,则返回TRUE,反之返回FALSE
A<=B 基本数据类型 A或者B为NULL,则返回NULL;如果A小于等于B,则返回TRUE,反之返回FALSE
A>B 基本数据类型 A或者B为NULL,则返回NULL;如果A大于B,则返回TRUE,反之返回FALSE
A>=B 基本数据类型 A或者B为NULL,则返回NULL;如果A大于等于B,则返回TRUE,反之返回FALSE
A [NOT] BETWEEN B AND C 基本数据类型 如果A,B或者C任一为NULL,则结果为NULL。如果A的值大于等于B而且小于或等于C,则结果为TRUE,反之为FALSE。如果使用NOT关键字则可达到相反的效果。
A IS NULL 所有数据类型 如果A等于NULL,则返回TRUE,反之返回FALSE
A IS NOT NULL 所有数据类型 如果A不等于NULL,则返回TRUE,反之返回FALSE
IN(数值1, 数值2) 所有数据类型 使用 IN运算显示列表中的值
A [NOT] LIKE B STRING 类型 B是一个SQL下的简单正则表达式,也叫通配符模式,如果A与其匹配的话,则返回TRUE;反之返回FALSE。B的表达式说明如下:‘x%’表示A必须以字母‘x’开头,‘%x’表示A必须以字母’x’结尾,而‘%x%’表示A包含有字母’x’,可以位于开头,结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。
A RLIKE B, A REGEXP B STRING 类型 B是基于java的正则表达式,如果A与其匹配,则返回TRUE;反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的,因为正则也依据其中的规则。例如,正则表达式必须和整个字符串A相匹配,而不是只需与其字符串匹配。
2)案例实操

(1)查询出薪水等于5000的所有员工

hive (default)> select * from emp where sal =5000;

(2)查询工资在500到1000的员工信息

hive (default)> select * from emp where sal between 500 and 1000;

(3)查询comm为空的所有员工信息

hive (default)> select * from emp where comm is null;

(4)查询工资是1500或5000的员工信息

hive (default)> select * from emp where sal IN (1500, 5000);

2.2 Like和RLike

1)使用LIKE运算选择类似的值
2)选择条件可以包含字符或数字:

% 代表零个或多个字符(任意个字符)。

_ 代表一个字符。

3)RLIKE子句是Hive中这个功能的一个扩展,其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。
4)案例实操

​ (1)查找以2开头薪水的员工信息

hive (default)> select * from emp where sal LIKE ‘2%’;

​ (2)查找第二个数值为2的薪水的员工信息

hive (default)> select * from emp where sal LIKE ‘_2%’;

​ (3)查找薪水中含有2的员工信息

hive (default)> select * from emp where sal RLIKE ‘[2]’;

2.3 逻辑运算符(And/Or/Not)

表6-5
操作符 含义
AND 逻辑并
OR 逻辑或
NOT 逻辑否
案例实操
(1)查询薪水大于1000,部门是30

hive (default)> select * from emp where sal>1000 and deptno=30;

(2)查询薪水大于1000,或者部门是30

hive (default)> select * from emp where sal>1000 or deptno=30;

(3)查询除了20部门和30部门以外的员工信息

hive (default)> select * from emp where deptno not IN(30, 20);

三 分组

3.1 Group By语句

GROUP BY语句通常会和聚合函数一起使用,按照一个或者多个列队结果进行分组,然后对每个组执行聚合操作。

案例实操:

(1)计算emp表每个部门的平均工资

hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;

(2)计算emp每个部门中每个岗位的最高薪水

hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by

t.deptno, t.job;

3.2 Having语句

1.having与where不同点
(1)where后面不能写分组函数,而having后面可以使用分组函数。
(2)having只用于group by分组统计语句。
2.案例实操
(1)求每个部门的平均薪水大于2000的部门

求每个部门的平均工资

hive (default)> select deptno, avg(sal) from emp group by deptno;

​ 求每个部门的平均薪水大于2000的部门

hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having

avg_sal > 2000;

四 Join语句

4.1 等值Join

Hive支持通常的SQL JOIN语句,但是只支持等值连接,不支持非等值连接。

案例实操

(1)根据员工表和部门表中的部门编号相等,查询员工编号、员工名称和部门名称;

hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;

4.2 表的别名

1.好处

(1)使用别名可以简化查询。

(2)使用表名前缀可以提高执行效率。

2.案例实操

合并员工表和部门表

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno

= d.deptno;

4.3 内连接

内连接:只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。(两方但有一方为空就会抱起)

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno

= d.deptno;

4.4 左外连接

左外连接:JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;

4.5 右外连接

右外连接:JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;

4.6 满外连接

​ 满外连接:将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话,那么就使用NULL值替代。

hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno

= d.deptno;

4.7 多表连接

注意:连接 n个表,至少需要n-1个连接条件。例如:连接三个表,至少需要两个连接条件。

数据准备

1.创建位置表
2.导入数据

hive (default)> load data local inpath ‘/opt/module/datas/location.txt’ into table location;

3.多表连接查询

不停jion

hive (default)>SELECT e.ename, d.dname, l.loc_name

FROM emp e

JOIN dept d

ON d.deptno = e.deptno

JOIN location l

ON d.loc = l.loc;

大多数情况下,Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作,然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。

注意:为什么不是表d和表l先进行连接操作呢?这是因为Hive总是按照从左到右的顺序执行的。

优化:当对3个或者更多表进行join连接时,如果每个on子句都使用相同的连接键的话,那么只会产生一个MapReduce job。

**4.8 笛卡尔积

在hive 中尽全力避免笛卡尔积 否则数表会爆掉

1.笛卡尔集会在下面条件下产生
(1)省略连接条件
(2)连接条件无效
(3)所有表中的所有行互相连接
2.案例实操

hive (default)> select empno, dname from emp, dept;

4.9 连接谓词中不支持or

hive join目前不支持在on子句中使用谓词or

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno

= d.deptno or e.ename=d.ename; 错误的

五 排序

5.1 全局排序(Order By)

Order By:全局排序,只有一个Reducer

1.使用 ORDER BY 子句排序

ASC(ascend): 升序(默认)

DESC(descend): 降序

2.ORDER BY 子句在SELECT语句的结尾

3.案例实操

​ (1)查询员工信息按工资升序排列

hive (default)> select * from emp order by sal;

​ (2)查询员工信息按工资降序排列

hive (default)> select * from emp order by sal desc;

5.2 按照别名排序

按照员工薪水的2倍排序

hive (default)> select ename, sal*2 twosal from emp order by twosal;

5.3 多个列排序

按照部门和工资升序排序

hive (default)> select * from emp order by deptno, sal ;

Hive 数仓查询相关操作大全_第4张图片

**5.4 每个MapReduce内部排序(Sort By)

Sort By:对于大规模的数据集order by的效率非常低。在很多情况下,并不需要全局排序,此时可以使用sort by。 (不是全局排序)

Sort by为每个reducer产生一个排序文件。每个Reducer内部进行排序,对全局结果集来说不是排序。

*** 1.设置reduce个数

hive (default)> set mapreduce.job.reduces=3;

2.查看设置reduce个数

hive (default)> set mapreduce.job.reduces;

3.根据部门编号降序查看员工信息

hive (default)> select * from emp sort by deptno desc;

4.将查询结果导入到文件中(按照部门编号降序排序)

hive (default)> insert overwrite local directory ‘/opt/module/datas/sortby-result’

select * from emp sort by deptno desc;

Hive 数仓查询相关操作大全_第5张图片

5.5 分区排序(Distribute By)

Distribute By: 在有些情况下,我们需要控制某个特定行应该到哪个reducer,通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by类似MR中partition(自定义分区),进行分区,结合sort by使用。

对于distribute by进行测试,一定要分配多reduce进行处理,否则无法看到distribute by的效果。

案例实操:

select * from emp distribute by job sort by sal;

Hive 数仓查询相关操作大全_第6张图片

distribute by 指定分区条件
(1)先按照部门编号分区,再按照员工编号降序排序。

hive (default)> set mapreduce.job.reduces=3;

hive (default)> insert overwrite local directory ‘/opt/module/datas/distribute-result’ select * from emp distribute by deptno sort by empno desc;

注意:

1. distribute by的分区规则是根据分区字段的hash码与reduce的个数进行模除后,余数相同的分到一个区。

2. Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。

5.6** Cluster By

当distribute by和sorts by字段相同时,可以使用cluster by方式。

cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序,不能指定排序规则为ASC或者DESC。

1)以下两种写法等价

hive (default)> select * from emp cluster by deptno;

hive (default)> select * from emp distribute by deptno sort by deptno;

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。

mysql 没有

不支持并行计算

不可以分桶抽样

六** 分桶及抽样查询

6.1 分桶表数据存储

**分桶:分文件 管理–进一步细化文件管理粒度 在实际数据中是有的 **
/ 分区:分的是文件夹,字段在实际数据中没有

分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区。对于一张表或者分区,Hive 可以进一步组织成桶,也就是更为细粒度的数据范围划分。

分桶是将数据集分解成更容易管理的若干部分的另一个技术。

分区针对的是数据的存储路径;分桶针对的是数据文件。

1.先创建分桶表,通过直接导入数据文件的方式
(1)数据准备
(2)创建分桶表

create table stu_buck(id int, name string) clustered by(id) into 4 buckets row format delimited fields terminated by ‘\t’;

按照id 分四个桶

(3)查看表结构

hive (default)> desc formatted stu_buck;

Hive 数仓查询相关操作大全_第7张图片

(4)导入数据到分桶表中

hive (default)> load data local inpath ‘/opt/module/datas/student.txt’ into table stu_buck;

(5)查看创建的分桶表中是否分成4个桶,

Hive 数仓查询相关操作大全_第8张图片

发现未分桶

发现并没有分成4个桶。是什么原因呢?

创建一个普通表
导入数据

清空stu_BUCK 数据

导入数据到分桶表 通过插入方式 导入 是通过select 普通表

2.创建分桶表时,数据通过子查询的方式导入
(1)先建一个普通的stu表

create table stu(id int, name string) row format delimited fields terminated by ‘\t’;

(2)向普通的stu表中导入数据

load data local inpath ‘/opt/module/datas/student.txt’ into table stu;

(3)清空stu_buck表中数据

truncate table stu_buck;

(4)导入数据到分桶表,通过子查询的方式

insert into table stu_buck select id, name from stu;

(5)发现还是只有一个分桶

Hive 数仓查询相关操作大全_第9张图片

未分桶

(6)需要设置一个属性(强制分桶 不管数据量大小)
hive (default)> set hive.enforce.bucketing=true; 开启强制分桶
hive (default)> set mapreduce.job.reduces=-1;
hive (default)> insert into table stu_buck
select id, name from stu;

(7)查询分桶的数据
hive (default)> select * from stu_buck;
OK
stu_buck.id     stu_buck.name
1004    ss4
1008    ss8
1012    ss12
1016    ss16
1001    ss1
1005    ss5
1009    ss9
1013    ss13
1002    ss2
1006    ss6
1010    ss10
1014    ss14
1003    ss3
1007    ss7
1011    ss11
1015    ss15

分桶规则:

​ 根据结果可知:Hive的分桶采用对分桶字段的值进行哈希,然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中

6.2 分桶抽样查询

对于非常大的数据集,有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。

查询表stu_buck中的数据。

注:tablesample是抽样语句,语法:TABLESAMPLE(BUCKET x OUT OF y 表示分几份) 。

y必须是table总bucket数的倍数或者因子。hive根据y的大小,决定抽样的比例。例如,table总共分了4份,当y=2时,抽取(4/2=)2个bucket的数据,当y=8时,抽取(4/8=)1/2个bucket的数据。

x表示从哪个bucket开始抽取,如果需要取多个分区,以后的分区号为当前分区号加上y。例如,table总bucket数为4,tablesample(bucket 1 out of 2),表示总共抽取(4/2=)2个bucket的数据,抽取第1(x)个和第3(x+y)个bucket的数据。

注意:x的值必须小于等于y的值,否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

七 其他常用查询函数

7.1 空字段赋值

\1. 函数说明

NVL:给值为NULL的数据赋值,它的格式是NVL( value,default_value)。它的功能是如果value为NULL,则NVL函数返回default_value的值,否则返回value的值,如果两个参数都为NULL ,则返回NULL。

\2. 数据准备:采用员工表
\3. 查询:如果员工的comm为NULL,则用-1代替

hive (default)> select comm,nvl(comm, -1) from emp;

OK

comm  _c1

NULL  -1.0

300.0  300.0

500.0  500.0

NULL  -1.0

1400.0 1400.0

NULL  -1.0

NULL  -1.0

NULL  -1.0

NULL  -1.0

0.0   0.0

NULL  -1.0

NULL  -1.0

NULL  -1.0

NULL  -1.0
\4. 查询:如果员工的comm为NULL,则用领导id代替

hive (default)> select comm, nvl(comm,mgr) from emp;

OK

comm  _c1

NULL  7902.0

300.0  300.0

500.0  500.0

NULL  7839.0

1400.0 1400.0

NULL  7839.0

NULL  7839.0

NULL  7566.0

NULL  NULL

0.0   0.0

NULL  7788.0

NULL  7698.0

NULL  7566.0

NULL  7782.0

6.7.2 CASE WHEN

\1. 数据准备

name dept_id sex
悟空 A
大海 A
宋宋 B
凤姐 A
婷姐 B
婷婷 B
2.需求

求出不同部门男女各多少人。结果如下:

A 2 1

B 1 2

3.创建本地emp_sex.txt,导入数据

[root@hadoop102 datas]$ vi emp_sex.txt

悟空 A  男

大海 A  男

宋宋 B  男

凤姐 A  女

婷姐 B  女

婷婷 B  女

4.创建hive表并导入数据

create table emp_sex(

name string,

dept_id string,

sex string)

row format delimited fields terminated by “\t”;

load data local inpath ‘/opt/module/datas/emp_sex.txt’ into table emp_sex;

5.按需求查询数据
select 
  dept_id,
  sum(case sex when '男' then 1 else 0 end) male_count,
  sum(case sex when '女' then 1 else 0 end) female_count
from 
  emp_sex
group by
  dept_id;

6.7.2 行转列

把行 转成一个格子 (列)

1.相关函数说明

CONCAT(string A/col, string B/col…):返回输入字符串连接后的结果,支持任意个输入字符串;

CONCAT_WS(separator, str1, str2,…):它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL,返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;

**COLLECT_SET(col):**函数只接受基本数据类型,它的主要作用是将某字段的值进行去重汇总,产生array类型字段。

2.数据准备
name constellation blood_type
孙悟空 白羊座 A
大海 射手座 A
宋宋 白羊座 B
猪八戒 白羊座 A
凤姐 射手座 A
3.需求

把星座和血型一样的人归类到一起。结果如下:

射手座,A 大海|凤姐

白羊座,A 孙悟空|猪八戒

白羊座,B 宋宋

4.创建本地constellation.txt,导入数据

[root@hadoop102 datas]$ vi constellation.txt

孙悟空	白羊座	A

大海	   射手座	A

宋宋	   白羊座	B

猪八戒  白羊座	A

凤姐	   射手座	A

5.创建hive表并导入数据

create table person_info(

name string,

constellation string,

blood_type string)

row format delimited fields terminated by “\t”;

load data local inpath “/opt/module/datas/constellation.txt” into table person_info;

6.按需求查询数据
先看一下 人物对应星座 血型

Select name concat_ws(’,’,constellation,blood_type)cb from persion_info; t 求出对应星座

血型 对应人名

Hive 数仓查询相关操作大全_第10张图片

把相同星座 血型 去重 ,人名归一行

select t.cb , concat_ws(’|’,COLLECT_SET(name)) from (Select name concat_ws(’,’,constellation,blood_type)cb from persion_info ) t group by t .cb

Hive 数仓查询相关操作大全_第11张图片

select t1.base, concat_ws(’|’, collect_set(t1.name)) namefrom (select name, concat(constellation, “,”, blood_type) base from person_info) t1group by t1.base;

3列转行

一 行变多行

1.函数说明

EXPLODE(col):将hive一列中复杂的array或者map结构拆分成多行。

LATERAL VIEW

用法:LATERAL VIEW udtf(expression) tableAlias AS columnAlias

解释:用于和split, explode等UDTF一起使用,它能够将一列数据拆成多行数据,在此基础上可以对拆分后的数据进行聚合。

2.数据准备
movie category
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》 悬疑,警匪,动作,心理,剧情
《战狼2》 战争,动作,灾难
3.需求

将电影分类中的数组数据展开。结果如下:

《疑犯追踪》    悬疑

《疑犯追踪》    动作

《疑犯追踪》    科幻

《疑犯追踪》    剧情

《Lie to me》  悬疑

《Lie to me》  警匪

《Lie to me》  动作

《Lie to me》  心理

《Lie to me》  剧情

《战狼2》     战争

《战狼2》     动作

《战狼2》     灾难

4.创建本地movie.txt,导入数据

[root@hadoop102 datas]$ vi movie.txt

《疑犯追踪》	悬疑,动作,科幻,剧情

《Lie to me》	悬疑,警匪,动作,心理,剧情

《战狼2》	战争,动作,灾难

5.创建hive表并导入数据

create table movie_info( movie string, category array) row format delimited fields terminated by "\t"collection items terminated by “,”;

load data local inpath “/opt/module/datas/movie.txt” into table movie_info;

Hive 数仓查询相关操作大全_第12张图片

6.按需求查询数据

select movie, category_name from movie_info lateral view explode(category) table_tmp as category_name;

explode(category) 把列炸开

lateral view 侧视图 换一种角度看

需求 :以类型为KEY 列出对应类型对应电影

Hive 数仓查询相关操作大全_第13张图片
Hive 数仓查询相关操作大全_第14张图片

4**窗口函数(开窗函数)

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,default_val):往前第n行数据

LEAD(col,n, default_val):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, 将每个顾客的cost按照日期进行累加

(4)查询每个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

[root @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 ** 针对全表开窗

select count(*) from business where substring(orderdate,1,7)=“2017-04”

在这里插入图片描述

select name,count(*) over () from business where substring(orderdate,1,7) = ‘2017-04’ group by name;

Hive 数仓查询相关操作大全_第15张图片

over () 开窗函数 ( )–空的全表扫描

(2)查询顾客的购买明细及月购买总额—针对月数开窗

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

Hive 数仓查询相关操作大全_第16张图片

(3)上述的场景, 将每个顾客的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;
所有行相加 -全表开窗

sum(cost) over() as sample1

Hive 数仓查询相关操作大全_第17张图片

按人开窗看对应人物消费总额

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

Hive 数仓查询相关操作大全_第18张图片

按name 分区 区内按月划分

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

等同于sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,-

Hive 数仓查询相关操作大全_第19张图片

第一行从第一行加到第一行

第二行从第一行加到第二行

按name 分区 区内按月划分(当前月花的总额)

sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,等同于=sum(cost) over(partition by name order by orderdate) as sample3,–

Hive 数仓查询相关操作大全_第20张图片

UNBOUNDED PRECEDING 开始行能多靠前就多靠前

rows between UNBOUNDED PRECEDING and current row —行是介于开始行(-UNBOUNDED PRECEDING) 到当前行—从当前行加到前面所有

sum 操作窗口是当前行 和前一行 求和

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 —

Hive 数仓查询相关操作大全_第21张图片

当前行和前边一行及后面一行 --加了三个

sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,–

Hive 数仓查询相关操作大全_第22张图片

当前行及后面所有行

sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 –

Hive 数仓查询相关操作大全_第23张图片

(4)查看顾客上次的购买时间

按名字分组 —时间排序,
lag 显示上个数据

select name,
orderdate,
cost,
lag(orderate,1,“1900-01-01(默认时间)”) over(partition by name order by orderdate ) from business;
Hive 数仓查询相关操作大全_第24张图片

(5)查询前20%时间的订单信息

这里是针对全部区域进行5分划分–所以不能加分区了 如果加了分区 就是对每个分区再进行5分划分

select * from ( select name,orderdate,cost, ntile(5) over(order by orderdate) sorted from business) twhere sorted = 1;
Hive 数仓查询相关操作大全_第25张图片
Hive 数仓查询相关操作大全_第26张图片

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

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score.txt,导入数据

[root @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 ‘\t’;

load data local inpath “/opt/module/datas/score.txt” into table score;
Hive 数仓查询相关操作大全_第27张图片

6.按需求查询数据

1)-求排名

RANK() 排序相同时会重复,总数不会变
select
name,
subject,
score,
rank() over(partition by subject order by score desc) —指定窗口 按学科rank
from
score;
Hive 数仓查询相关操作大全_第28张图片

DENSE_RANK() 排序相同时会重复,总数会减少

select
name,
subject,
score,
dense_rank() over(partition by subject order by score desc) —指定窗口 按学科rank
from
score;

ROW_NUMBER() 会根据顺序计算
select
name,
subject,
score,
row_number() over(partition by subject order by score desc) —指定窗口 按学科rank
from
score;

Hive 数仓查询相关操作大全_第29张图片

2)求出每门学科前三名的学生?

select
name,
subject,
score
from
(select
name,
subject,
score,
rank() over(partition by subject order by score desc) ran
from
score)t
where
ran<4;
Hive 数仓查询相关操作大全_第30张图片

你可能感兴趣的:(从零开始学大数据-Hive,大数据,hive)