Hive SQL的窗口函数及特殊函数回顾

Hive SQL 中有很多窗口函数值得我们在平时的数据开发处理中好好使用。通常包含排序类、聚合类、累计计算，等。在数据开发的

此篇就简单罗列一些窗口函数的SQL例子，做一个复习回顾。

专用窗口函数

rank,dense_rank, row_number, ntile,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

select 
    *
    ,rank() over(partition by `班级` order by `成绩` desc) as `班级排名`
    ,rank() over (order by `成绩` desc) as ranking -- 相同分数，相同排名，接下来的跳过+n排名（不连续排名）
    ,dense_rank() over (order by `成绩` desc) as dese_ranking -- 相同分数，相同排名，接下来的继续+1排名（连续排名）
    ,row_number() over (order by `成绩` desc) as row_num -- 按成绩倒序，编号（排序）
from database_name.table_a;

聚合函数作为窗口函数

假设：按照学生学号 student_no（每个学生有唯一学号），统计每个学生的 总分、平均分、目前考试科目、最高分、最低分。

select
    *
    ,sum(score) over (partition by student_no) as current_sum -- 每个学生总成绩
    ,avg(score) over (partition by student_no) as current_avg  -- 平均分
    ,count(score) over (partition by student_no) as current_cnt
    ,max(score) over (partition by student_no) as current_max
    ,min(score) over (partition by student_no) as current_min
from database_name.table_a;

按照学号升序排序，对成绩score统计一些累计指标。

select
    *
    ,sum(score) over (order by student_no) as current_sum -- 累计求和
    ,avg(score) over (order by student_no) as current_avg
    ,count(score) over (order by student_no) as current_cnt
    ,max(score) over (order by student_no) as current_max
    ,min(score) over (order by student_no) as current_min
from database_name.table_a;

按照 成绩 倒序排序，rank()是连续排名， 1， 2， 3， 4，。。。遇到相同分数，继续排序下去。

select
    *
    ,rank() over(order by `成绩` desc) as ranking
from database_name.table_a;

对数据进行偏移计算

主要考虑关键词： rows n preceding, rows n following, rows between [n|unbounded] preceding and [n|current|unbounded] following。或者 lag(offset) over(partition by  order by )，lead(offset) over(partition by  order by )。

指定最靠近的3行作为汇总对象: rows n preceding:包含本条记录的前n行记录

select 
    *
    ,avg(sale_price) over(order by product_id rows 2 preceding) as moving_avg -- 移动平均
from database_name.table_a;

 指定包含本条记录，前1行，后1行 记录的 sale_price平均值

select
    *
    ,avg(sale_price) over(order by product_id rows 1 preceding and 1 following) as moving_avg -- 移动平均
from database_name.table_a;

SELECT 
cookieid,
createtime,
pv,
SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime) AS pv1, -- 默认为从起点到当前行
SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS pv2, -- 从起点到当前行，结果同pv1 
SUM(pv) OVER(PARTITION BY cookieid) AS pv3,                                -- 分组内所有行
SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW) AS pv4,   -- 当前行+往前3行
SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND 1 FOLLOWING) AS pv5,    -- 当前行+往前3行+往后1行
SUM(pv) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN CURRENT ROW AND UNBOUNDED FOLLOWING) AS pv6   -- 当前行+往后所有行  
FROM win1 
order by createtime;

对数据的偏移统计，还可以用到

LAG(expr, offset, default_value) over([partition by col1] [order by col2] [desc|asc])  ，表示向前偏移offset行记录，按照over后面的条件，进行expr统计，如果偏移offset后越界，可以是null， 也可以是指定的default_value。

LEAD(expr, offset, default_value) over([partition by col1] [order by col2] [desc|asc])  ，表示向后偏移offset行记录，按照over后面的条件，进行expr统计，如果偏移offset后越界，可以是null， 也可以是指定的default_value。

LAG(字段,n,为空时的默认值)向上n行

SELECT 
    cookieid,
    createtime,
    url,
    ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    LAG(createtime, 1, '1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS last_1_time,
    LAG(createtime, 2) OVER(PARTITION BY cookieid ORDER BY createtime) AS last_2_time 
FROM win4;

LEAD(字段,n,为空时的默认值)向下n行

SELECT 
    cookieid,
    createtime,
    url,
    ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    LEAD(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS next_1_time,
    LEAD(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS next_2_time 
FROM win4;

select
	seq,
	LAG(seq+100, 1, -1) over (partition by window order by seq) as r1
from sliding_window;
-- 
select 
	c_Double_a,c_String_b,c_int_a,
	lead(c_int_a, 1) over(partition by c_Double_a order by c_String_b) as r2
from dual;

select 
	c_String_a,c_time_b,c_Double_a,
	lead(c_Double_a,1) over(partition by c_String_a order by c_time_b) as r3
from dual;

select 
	c_String_in_fact_num,c_String_a,c_int_a,
	lead(c_int_a) over(partition by c_String_in_fact_num order by c_String_a) as r4
from dual;

分片函数

NTILE分片函数，随机分配n个编号给相应的分组。

ntile 用于将分组数据按照顺序切分成n片，并返回当前切片值。如果切片不均匀，默认增加第一个切片的分布。

SELECT 
    cookieid,
    createtime,
    pv,
    NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn1,    -- 分组内将数据分成2片
    NTILE(3) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn2,  -- 分组内将数据分成3片
    NTILE(4) OVER(ORDER BY createtime) AS rn3        -- 将所有数据分成4片
FROM win2 
ORDER BY 
    cookieid,
    createtime;

-- 现在需要将所有职工根据部门按sal高到低切分为3组，并获得职工自己组内的序号。
select
	deptno
	,ename
	,sal
	,ntile(3)over(partition by deptno order by sal desc) as nt3
from emp;

PERCENT_RANK 返回位置百分数，按照rank进行排序之后，找出当前位置的rank所在的位置百分数

SELECT 
dept,
userid,
sal,
PERCENT_RANK() OVER(ORDER BY sal) AS rn1,   -- 分组内
RANK() OVER(ORDER BY sal) AS rn11,          -- 分组内RANK值
SUM(1) OVER(PARTITION BY NULL) AS rn12,     -- 分组内总行数
PERCENT_RANK() OVER(PARTITION BY dept ORDER BY sal) AS rn2 
FROM win3;

FIRST_VALUE()取分组后截止到当前行相应字段的第一个值

SELECT cookieid,
    createtime,
    url,
    ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
    FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS first1,
    LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime DESC)  AS first2,
    LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1
FROM lxw1234;

NTH_VALUE 用于计算第n个值。如果n超过窗口的最大长度，返回NULL。

select 
    user_id, 
    price, 
    nth_value(price, 2) over(partition by user_id) as nth_value 
from test_src;

CLUSTER_SAMPLE 分组抽样

-- 从每组中抽取10%的样本
select
    key, value
from (
    select
        key, value,
        cluster_sample(10, 1) over(partition by key) as flag
    from tbl
    ) sub
where flag=true;

CUME_DIST 累计分布

-- 现在需要将所有职工根据部门分组，再求sal在同一组内的前百分之几。
select
    deptno
    ,ename
    ,sal
    ,concat(round(cume_dist(sal) over(partition by deptno order by sal desc)*100, 2), '%') as cume_dist
from emp;

此外，还有一些针对字符串的常用操作，具体可以参考阿里云Maxcompute文档。

WM_CONCAT 用指定的separator做分隔符，链接str中的值。

-- 对表进行分组排序后合并: 对表test按照id列进行分组排序，并将同组的内容进行合并。   
SELECT 
    id,
    WM_CONCAT('',alphabet) as res
FROM test 
GROUP BY 
    id 
ORDER BY 
    id 
LIMIT 100;

-- collect_list(col) 在给定Group内，将col指定的表达式聚合为一个数组。

需要对应的配置

set project odps.sql.type.system.odps2=true; 
或
set odps.sql.type.system.odps2=true;

COLLECT_SET(col) 在给定Group内，将col指定的表达式聚合为一个无重复元素的集合数组，输出类型是set（集合）。

以下为一些常用的统计方差函数。

-- variance/var_pop(col) 计算 col 列方差
-- var_samp 用于计算指定数字列的样本方差。
-- covar_pop 用于计算指定两个数字列的总体协方差。
-- COVAR_SAMP 用于计算指定两个数字列的样本协方差。

PERCENTILE 返回指定列精确的第p位百分数。p必须在0和1之间。
-- DOUBLE PERCENTILE(BIGINT col, p)

SELECT 
    PERCENTILE(c1,0),
    PERCENTILE(c1,0.3),
    PERCENTILE(c1,0.5),
    PERCENTILE(c1,1) 
FROM var_test;

以上就是复习常用的窗口函数和一些字符串统计函数。还有比较实用的是 行转列（一行转多行）、列转行等数据处理，可以参考explode、lateral view 关键词，及 explode 与 split、lateral view 等 并用。

以下图为 表 table_explode_lateral_view 的记录。

需求1: 只拆解 goods_id 字段

select 
    explode(split(goods_id, ',')) as new_goods_id 
from table_explode_lateral_view;

需求2: 只拆解area字段

select 
    explode(split(area, ',')) as new_area
from table_explode_lateral_view;

LATERAL VIEW的使用：

侧视图的意义是配合explode（或者其他的UDTF），一个语句生成把单行数据拆解成多行后的数据结果集。

select 
    goods_id2,
    sale_info 
from table_explode_lateral_view 
LATERAL VIEW explode(split(goods_id,','))goods as goods_id2;

其中LATERAL VIEW explode(split(goods_id,',')) goods相当于一个虚拟表，与原表explode_lateral_view笛卡尔积关联。

也可以多重使用

select 
    goods_id2,
    sale_info,
    area2
from table_explode_lateral_view 
LATERAL VIEW explode(split(goods_id,',')) goods as goods_id2 
LATERAL VIEW explode(split(area,',')) area as area2;

也是三个表笛卡尔积的结果。

需求3: 解析以上sale_info成二维表。

select 
    get_json_object(concat('{',sale_info_1,'}'),'$.source') as source,
    get_json_object(concat('{',sale_info_1,'}'),'$.monthSales') as monthSales,
    get_json_object(concat('{',sale_info_1,'}'),'$.userCount') as monthSales,
    get_json_object(concat('{',sale_info_1,'}'),'$.score') as monthSales
from table_explode_lateral_view
LATERAL VIEW explode(split(regexp_replace(regexp_replace(sale_info,'\\[\\{',''),'}]',''),'},\\{')) sale_info as sale_info_1;

也可以使用json_tuple对一个json字段／或者数组，同时对多个key进行解析。

select 
    sale_info_1
from table_explode_lateral_view
lateral view json_tuple(sale_info,'source','monthSales','userCount', 'score') sale_info_new as sale_info_1;

更多细节，还需要根据实际情况进行处理。