Hive 随机抽样

• 随机抽样

有的时候我们需要从一张大表中随机抽取一定量的样本供分析，Hive中提供了一个rand()函数，我们就利用这个来实现随机抽样。

思路如下：

对于表中每行均附加一个随机的整数，然后再以该整数进行orderBy即可得。

例如下面这个

select vt.user_nick, vt.vidx from (
    select user_nick, cast(rand() * 100000 as int) as vidx
    from s_mc_xcard_user where pt='20120808000000'
    order by vidx limit 10000
) vt order by vt.vidx limit 100

 

• 处理复杂的数据结构

如果我们希望将复杂的数据结构存储在Hive表中，可以使用Json字符串这种东东来承载。Hive中提供了一个get_json_object的函数供json解析；这个函数里面的第二个参数比较令人费解，不过官方文档还算是清楚。

另外hive还提供了array，struct, map等数据结构，貌似目前功能很少，不建议使用。

 

• 行列转置

比如有一张这样的表：

uid int	mydata array
100	'a','b','c'
101	'a','c'

 

其中data字段是一个array类型（可由split函数得到）。

我们希望得到下面这样的结果：

'a'	2
'b'	1
'c'	2

其中，第二个字段的含义是各个data的分量出现的次数。

在Hive中，这种能生成了新的行函数被称作UDTF，这里我们可以使用explode+lateral view来达到目的。

SELECT onedata, count(1) FROM tbl LATERAL VIEW explode(mydata)
vdata AS onedata;