Hive应用 | 高阶函数

1、窗口函数

常用到的Hive窗口函数具体有：row_number()、rank()、dense_rank() 这三个窗口函数，具体区别主要有：

row_number:不管排名是否有相同的，都按照顺序1，2，3…..n
rank:排名相同的名次一样，同一排名有几个，后面排名就会跳过几次
dense_rank:排名相同的名次一样，且后面名次不跳跃

1）row_number()

代码如下所示：

SELECT user_id,
       order_id,
       row_number() OVER(PARTITION BY user_id order by order_id DESC) as rn
FROM access_cdm.dwd_trade_order_goods_dd_f
WHERE dt = '2021-08-25' AND user_id IN(7822416, 66440,10386724, 2613996)
LIMIT 100;

结果展示如下：

image

2）rank()

代码如下所示：

SELECT user_id,
       order_id,
       rank() OVER(PARTITION BY user_id order by order_id DESC) as rn
FROM access_cdm.dwd_trade_order_goods_dd_f
WHERE dt = '2021-08-25' AND user_id IN(7822416, 66440,10386724, 2613996)
LIMIT 100;

查询结果如下：

image

3）dense_rank()

代码如下所示：

SELECT user_id,
       order_id,
       dense_rank() OVER(PARTITION BY user_id order by order_id DESC) as rn
FROM access_cdm.dwd_trade_order_goods_dd_f
WHERE dt = '2021-08-25' AND user_id IN(7822416, 66440,10386724, 2613996)
LIMIT 100;

查询结果如下：

image

2、排序函数

（1）order by

hive中的 order by 会对查询结果集执行一次全局排序，这也就是说所有的数据都通过一个reduce进行处理的过程，对于大数据集，这个过程将消耗很大的时间来执行。

（2）sort by

hive中的 sort by 也就是执行一个局部排序过程。这可以保证每个reduce的输出数据都是有序的（但并非全局有序）。这样就可以提高后面进行的全局排序的效率。用户可以指定任意期望进行排序的字段，并可以在该字段后面加上asc关键字（默认）表示升序，desc关键字是降序排列。

在使用 sort by 之前，需要先设置 reduce 的数量 > 1，才会做局部排序，如果reduce数量是1，作用与 order by 一样，全局排序。

（3）distribute by

distribute by 控制 map 的输出在 reducer 中是如何划分的，mapReduce job中传输的所有数据都是按照键-值对的方式进行组织的，因此hive在将用户的查询语句转换成mapReduce job时，其必须在内部使用这个功能。默认情况下，MapReduce计算框架会依据map输入的键计算相应的哈希值，然后按照得到的哈希值将键-值对均匀分发到多个reducer中去。

（4）cluster by

cluster by 除了 distribute by 的功能外，还会对该字段进行排序，所以 cluster by = distribute by + sort by。但是排序只能是倒叙排列，不能指定排序规则为ASC或者DESC。

3、行列转换函数

（1）lateral view explain

Lateral view 其实就是用来和像类似于explode这种UDTF函数联用的。lateral view 会将UDTF生成的结果放到一个虚拟表中，然后这个虚拟表会和输入行即每个game_id 进行join 来达到连接UDTF外的select字段的目的。

lateral view explode 函数举例如下：

SELECT game_id, user_id
FROM test_table AS t
lateral view explode(split(user_ids, ',')) sn_table AS user_id