问题导读
1.LAG功能是什么? 2.LEAD与LAG功能有什么相似的地方那个? 3.FIRST_VALUE与LAST_VALUE分别完成什么功能?
接上篇Hive分析窗口函数(二、三) NTILE,ROW_NUMBER,RANK,DENSE_RANK
继续学习这四个分析函数。
Hive版本为 apache-hive-0.13.1
数据准备:
- cookie1,2015-04-10 10:00:02,url2
- cookie1,2015-04-10 10:00:00,url1
- cookie1,2015-04-10 10:03:04,1url3
- cookie1,2015-04-10 10:50:05,url6
- cookie1,2015-04-10 11:00:00,url7
- cookie1,2015-04-10 10:10:00,url4
- cookie1,2015-04-10 10:50:01,url5
- cookie2,2015-04-10 10:00:02,url22
- cookie2,2015-04-10 10:00:00,url11
- cookie2,2015-04-10 10:03:04,1url33
- cookie2,2015-04-10 10:50:05,url66
- cookie2,2015-04-10 11:00:00,url77
- cookie2,2015-04-10 10:10:00,url44
- cookie2,2015-04-10 10:50:01,url55
- CREATE EXTERNAL TABLE lxw1234 (
- cookieid string,
- createtime string, --页面访问时间
- url STRING --被访问页面
- ) ROW FORMAT DELIMITED
- FIELDS TERMINATED BY ','
- stored as textfile location '/tmp/lxw11/';
- hive> select * from lxw1234;
- OK
- cookie1 2015-04-10 10:00:02 url2
- cookie1 2015-04-10 10:00:00 url1
- cookie1 2015-04-10 10:03:04 1url3
- cookie1 2015-04-10 10:50:05 url6
- cookie1 2015-04-10 11:00:00 url7
- cookie1 2015-04-10 10:10:00 url4
- cookie1 2015-04-10 10:50:01 url5
- cookie2 2015-04-10 10:00:02 url22
- cookie2 2015-04-10 10:00:00 url11
- cookie2 2015-04-10 10:03:04 1url33
- cookie2 2015-04-10 10:50:05 url66
- cookie2 2015-04-10 11:00:00 url77
- cookie2 2015-04-10 10:10:00 url44
- cookie2 2015-04-10 10:50:01 url55
复制代码
LAG
LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值 第一个参数为列名,第二个参数为往上第n行(可选,默认为1),第三个参数为默认值(当往上第n行为NULL时候,取默认值,如不指定,则为NULL)
- 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 lxw1234;
- cookieid createtime url rn last_1_time last_2_time
- -------------------------------------------------------------------------------------------
- cookie1 2015-04-10 10:00:00 url1 1 1970-01-01 00:00:00 NULL
- cookie1 2015-04-10 10:00:02 url2 2 2015-04-10 10:00:00 NULL
- cookie1 2015-04-10 10:03:04 1url3 3 2015-04-10 10:00:02 2015-04-10 10:00:00
- cookie1 2015-04-10 10:10:00 url4 4 2015-04-10 10:03:04 2015-04-10 10:00:02
- cookie1 2015-04-10 10:50:01 url5 5 2015-04-10 10:10:00 2015-04-10 10:03:04
- cookie1 2015-04-10 10:50:05 url6 6 2015-04-10 10:50:01 2015-04-10 10:10:00
- cookie1 2015-04-10 11:00:00 url7 7 2015-04-10 10:50:05 2015-04-10 10:50:01
- cookie2 2015-04-10 10:00:00 url11 1 1970-01-01 00:00:00 NULL
- cookie2 2015-04-10 10:00:02 url22 2 2015-04-10 10:00:00 NULL
- cookie2 2015-04-10 10:03:04 1url33 3 2015-04-10 10:00:02 2015-04-10 10:00:00
- cookie2 2015-04-10 10:10:00 url44 4 2015-04-10 10:03:04 2015-04-10 10:00:02
- cookie2 2015-04-10 10:50:01 url55 5 2015-04-10 10:10:00 2015-04-10 10:03:04
- cookie2 2015-04-10 10:50:05 url66 6 2015-04-10 10:50:01 2015-04-10 10:10:00
- cookie2 2015-04-10 11:00:00 url77 7 2015-04-10 10:50:05 2015-04-10 10:50:01
- last_1_time: 指定了往上第1行的值,default为'1970-01-01 00:00:00'
- cookie1第一行,往上1行为NULL,因此取默认值 1970-01-01 00:00:00
- cookie1第三行,往上1行值为第二行值,2015-04-10 10:00:02
- cookie1第六行,往上1行值为第五行值,2015-04-10 10:50:01
- last_2_time: 指定了往上第2行的值,为指定默认值
- cookie1第一行,往上2行为NULL
- cookie1第二行,往上2行为NULL
- cookie1第四行,往上2行为第二行值,2015-04-10 10:00:02
- cookie1第七行,往上2行为第五行值,2015-04-10 10:50:01
复制代码
LEAD
与LAG相反 LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值 第一个参数为列名,第二个参数为往下第n行(可选,默认为1),第三个参数为默认值(当往下第n行为NULL时候,取默认值,如不指定,则为NULL)
- 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 lxw1234;
- cookieid createtime url rn next_1_time next_2_time
- -------------------------------------------------------------------------------------------
- cookie1 2015-04-10 10:00:00 url1 1 2015-04-10 10:00:02 2015-04-10 10:03:04
- cookie1 2015-04-10 10:00:02 url2 2 2015-04-10 10:03:04 2015-04-10 10:10:00
- cookie1 2015-04-10 10:03:04 1url3 3 2015-04-10 10:10:00 2015-04-10 10:50:01
- cookie1 2015-04-10 10:10:00 url4 4 2015-04-10 10:50:01 2015-04-10 10:50:05
- cookie1 2015-04-10 10:50:01 url5 5 2015-04-10 10:50:05 2015-04-10 11:00:00
- cookie1 2015-04-10 10:50:05 url6 6 2015-04-10 11:00:00 NULL
- cookie1 2015-04-10 11:00:00 url7 7 1970-01-01 00:00:00 NULL
- cookie2 2015-04-10 10:00:00 url11 1 2015-04-10 10:00:02 2015-04-10 10:03:04
- cookie2 2015-04-10 10:00:02 url22 2 2015-04-10 10:03:04 2015-04-10 10:10:00
- cookie2 2015-04-10 10:03:04 1url33 3 2015-04-10 10:10:00 2015-04-10 10:50:01
- cookie2 2015-04-10 10:10:00 url44 4 2015-04-10 10:50:01 2015-04-10 10:50:05
- cookie2 2015-04-10 10:50:01 url55 5 2015-04-10 10:50:05 2015-04-10 11:00:00
- cookie2 2015-04-10 10:50:05 url66 6 2015-04-10 11:00:00 NULL
- cookie2 2015-04-10 11:00:00 url77 7 1970-01-01 00:00:00 NULL
- --逻辑与LAG一样,只不过LAG是往上,LEAD是往下。
复制代码
FIRST_VALUE
取分组内排序后,截止到当前行,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
- FROM lxw1234;
- cookieid createtime url rn first1
- ---------------------------------------------------------
- cookie1 2015-04-10 10:00:00 url1 1 url1
- cookie1 2015-04-10 10:00:02 url2 2 url1
- cookie1 2015-04-10 10:03:04 1url3 3 url1
- cookie1 2015-04-10 10:10:00 url4 4 url1
- cookie1 2015-04-10 10:50:01 url5 5 url1
- cookie1 2015-04-10 10:50:05 url6 6 url1
- cookie1 2015-04-10 11:00:00 url7 7 url1
- cookie2 2015-04-10 10:00:00 url11 1 url11
- cookie2 2015-04-10 10:00:02 url22 2 url11
- cookie2 2015-04-10 10:03:04 1url33 3 url11
- cookie2 2015-04-10 10:10:00 url44 4 url11
- cookie2 2015-04-10 10:50:01 url55 5 url11
- cookie2 2015-04-10 10:50:05 url66 6 url11
- cookie2 2015-04-10 11:00:00 url77 7 url11
复制代码
LAST_VALUE
取分组内排序后,截止到当前行,最后一个值
- SELECT cookieid,
- createtime,
- url,
- ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
- LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1
- FROM lxw1234;
- cookieid createtime url rn last1
- -----------------------------------------------------------------
- cookie1 2015-04-10 10:00:00 url1 1 url1
- cookie1 2015-04-10 10:00:02 url2 2 url2
- cookie1 2015-04-10 10:03:04 1url3 3 1url3
- cookie1 2015-04-10 10:10:00 url4 4 url4
- cookie1 2015-04-10 10:50:01 url5 5 url5
- cookie1 2015-04-10 10:50:05 url6 6 url6
- cookie1 2015-04-10 11:00:00 url7 7 url7
- cookie2 2015-04-10 10:00:00 url11 1 url11
- cookie2 2015-04-10 10:00:02 url22 2 url22
- cookie2 2015-04-10 10:03:04 1url33 3 1url33
- cookie2 2015-04-10 10:10:00 url44 4 url44
- cookie2 2015-04-10 10:50:01 url55 5 url55
- cookie2 2015-04-10 10:50:05 url66 6 url66
- cookie2 2015-04-10 11:00:00 url77 7 url77
复制代码
如果不指定ORDER BY,则默认按照记录在文件中的偏移量进行排序,会出现错误的结果
- SELECT cookieid,
- createtime,
- url,
- FIRST_VALUE(url) OVER(PARTITION BY cookieid) AS first2
- FROM lxw1234;
- cookieid createtime url first2
- ----------------------------------------------
- cookie1 2015-04-10 10:00:02 url2 url2
- cookie1 2015-04-10 10:00:00 url1 url2
- cookie1 2015-04-10 10:03:04 1url3 url2
- cookie1 2015-04-10 10:50:05 url6 url2
- cookie1 2015-04-10 11:00:00 url7 url2
- cookie1 2015-04-10 10:10:00 url4 url2
- cookie1 2015-04-10 10:50:01 url5 url2
- cookie2 2015-04-10 10:00:02 url22 url22
- cookie2 2015-04-10 10:00:00 url11 url22
- cookie2 2015-04-10 10:03:04 1url33 url22
- cookie2 2015-04-10 10:50:05 url66 url22
- cookie2 2015-04-10 11:00:00 url77 url22
- cookie2 2015-04-10 10:10:00 url44 url22
- cookie2 2015-04-10 10:50:01 url55 url22
- SELECT cookieid,
- createtime,
- url,
- LAST_VALUE(url) OVER(PARTITION BY cookieid) AS last2
- FROM lxw1234;
- cookieid createtime url last2
- ----------------------------------------------
- cookie1 2015-04-10 10:00:02 url2 url5
- cookie1 2015-04-10 10:00:00 url1 url5
- cookie1 2015-04-10 10:03:04 1url3 url5
- cookie1 2015-04-10 10:50:05 url6 url5
- cookie1 2015-04-10 11:00:00 url7 url5
- cookie1 2015-04-10 10:10:00 url4 url5
- cookie1 2015-04-10 10:50:01 url5 url5
- cookie2 2015-04-10 10:00:02 url22 url55
- cookie2 2015-04-10 10:00:00 url11 url55
- cookie2 2015-04-10 10:03:04 1url33 url55
- cookie2 2015-04-10 10:50:05 url66 url55
- cookie2 2015-04-10 11:00:00 url77 url55
- cookie2 2015-04-10 10:10:00 url44 url55
- cookie2 2015-04-10 10:50:01 url55 url55
复制代码
如果想要取分组内排序后最后一个值,则需要变通一下:
- SELECT cookieid,
- createtime,
- url,
- ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
- LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1,
- FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime DESC) AS last2
- FROM lxw1234
- ORDER BY cookieid,createtime;
- cookieid createtime url rn last1 last2
- -------------------------------------------------------------
- cookie1 2015-04-10 10:00:00 url1 1 url1 url7
- cookie1 2015-04-10 10:00:02 url2 2 url2 url7
- cookie1 2015-04-10 10:03:04 1url3 3 1url3 url7
- cookie1 2015-04-10 10:10:00 url4 4 url4 url7
- cookie1 2015-04-10 10:50:01 url5 5 url5 url7
- cookie1 2015-04-10 10:50:05 url6 6 url6 url7
- cookie1 2015-04-10 11:00:00 url7 7 url7 url7
- cookie2 2015-04-10 10:00:00 url11 1 url11 url77
- cookie2 2015-04-10 10:00:02 url22 2 url22 url77
- cookie2 2015-04-10 10:03:04 1url33 3 1url33 url77
- cookie2 2015-04-10 10:10:00 url44 4 url44 url77
- cookie2 2015-04-10 10:50:01 url55 5 url55 url77
- cookie2 2015-04-10 10:50:05 url66 6 url66 url77
- cookie2 2015-04-10 11:00:00 url77 7 url77 url77
复制代码
提示:在使用分析函数的过程中,要特别注意ORDER BY子句,用的不恰当,统计出的结果就不是你所期望的
本文转自:http://www.aboutyun.com/thread-12848-1-1.html
|
相关推荐
高级分析函数如统计学习函数(如KMEANS、NAIVE_BAYES等)和时间序列分析函数(如LAG、LEAD跨越时间窗口的计算)则能进行更复杂的分析任务。 2. **Hive函数优化**: 函数优化主要涉及函数重写、谓词下推和计算下推...
Hive 窗口函数是 Hive 中的一种强大的分析函数,它可以对数据进行分类、排序、聚合和排名等操作。下面将详细介绍 Hive 窗口函数的语法结构、分类、应用场景和实践练习。 窗口函数语法结构 窗口函数的基本语法结构...
另一个文件“hive_lib”可能包含了与Hive相关的其他辅助函数或者依赖的库。 使用这样的库,开发者可以进行以下操作: 1. **创建Hive连接**:通过ThriftHive.php,开发者可以初始化一个Thrift客户端,连接到运行...
02.hive内置函数--窗口分析函数--row_number_over.mp4
窗口函数是Hive中一种强大的分析工具,可以对数据进行复杂的分析和计算。窗口函数可以像聚合函数一样对一组数据进行分析并返回结果,但不同之处在于,窗口函数不是将一组数据汇总成单个结果,而是为每一行数据都返回...
【Hive SQL大厂必考常用窗口函数及面试题】主要涵盖了窗⼝函数在大数据分析中的应用,尤其在OLAP(在线分析处理)场景中的重要性。窗⼝函数是一种标准SQL功能,它允许对数据库数据进行实时分析处理,如市场分析、...
2. 修改Hive配置文件($HIVE_HOME/conf/hive-site.xml),添加以下内容: ```xml <name>javax.jdo.option.ConnectionURL <value>jdbc:derby:;databaseName=/var/lib/hive/metastore;create=true</value> ...
3. **分组函数**:如`LEAD()`, `LAG()`, `FIRST_VALUE()`, `LAST_VALUE()`,它们可以访问窗口内的前一行、后一行或者第一行、最后一行的值。 4. **累积函数**:如`SUM() OVER (ORDER BY column)`, 它可以实现累计...
窗口函数为Hive用户提供了强大的数据分析能力,特别是在处理时间序列数据和进行复杂的统计分析时。通过对SUM、AVG、MIN、MAX等基础函数的学习和实践,我们可以更加灵活地进行数据探索和挖掘,为业务决策提供有力支持...
总之,“Hive_UDF.rar_hive_sqoop”压缩包提供了关于如何利用 Hive 自定义函数增强数据分析能力,以及如何借助 Sqoop 实现数据在 RDBMS 和 Hadoop 生态系统之间的流动的详细信息。这些工具的结合使用,为大数据处理...
Hive JDBC(Java Database Connectivity)是Hive提供的一种接口,使得其他编程语言,如Java,能够通过JDBC驱动程序与Hive进行交互,实现数据查询、分析和操作。本教程将深入讲解如何使用Hive JDBC在Java项目中建立与...
### Hive用户指南中文版知识点概览 #### 一、Hive结构 **1.1 Hive架构** Hive作为建立在Hadoop之上的数据仓库基础架构,其主要目标是简化大数据的处理过程。Hive的架构主要包括以下几个核心组件: - **用户接口*...
在Hive中,窗口函数包括`row_number()`, `rank()`, `dense_rank()`, `percent_rank()`, `ntile()`, `lag()`, `lead()`等,它们对于排序数据、分组计算以及追踪行之间的关系特别有用。例如,`lag()`可以用来查看当前...
Hive是基于Hadoop的数据仓库工具,提供了类似关系数据库的查询功能,让用户可以使用SQL语句来查询和分析大规模数据。下面是Hive用户指南中的一些重要知识点: 1. Hive架构 Hive架构主要由以下几个组件组成:...
Hive是由Facebook开发并开源的一种基于Hadoop的数据仓库工具,它允许使用SQL(HQL,Hive Query Language)对大规模数据集进行分析和查询。本指南主要涵盖了Hive的基本概念、安装配置、数据模型、查询语言、表管理和...
- 提供的"hive_windows可执行文件"是一个适用于Windows系统的Hive版本,包含了运行Hive所需的基本组件。 2. **解压和替换**: - 用户需要将下载的压缩包解压,解压后的文件包含Hive的命令行工具和配置脚本。 - ...
hive中使用的日期函数next_day小计,主要用于记录该函数的使用方法以及一些示例,方便其他人查找使用
- 学习Hive SQL语法,包括SELECT、JOIN、GROUP BY、WHERE等基本操作,以及窗口函数、分区等高级特性。 - 掌握ORC格式的优点和使用场景,了解如何在Hive中创建、加载和查询ORC表。 - 分析guli_video_orc和guli_video_...