返回 导航

大数据

hangge.com

Hive - 快速入门教程5(高级函数1:分组排序取TopN)

作者:hangge | 2024-09-18 08:35

一、高级函数使用1:分组排序取 TopN

1,基本介绍

(1)Hive 是一个主要用来做数据分析的工具。为了满足各种各样的统计需求,它内置包含很多函数,我们可以通过如下语句来查看 Hive 中支持的内置函数。
show functions;

(2)一共 290 个,下面只是其中的一部分:
提示MySQL 中支持的函数 Hive 大部分都支持,在 Hive 中可以直接使用,并且 Hive 提供的函数比 MySQL 的还要多。

2,常用函数介绍

(1)字符串函数:
  • CONCAT(str1, str2, ...):连接多个字符串。
  • SUBSTRING(str, start, len):截取字符串的子串。
  • LOWER(str):将字符串转换为小写。
  • UPPER(str):将字符串转换为大写。
  • LENGTH(str):返回字符串的长度。
  • TRIM(str):去除字符串两端的空格。
  • REPLACE(str, old, new):替换字符串中的子串。
  • REGEXP_EXTRACT(str, regex):使用正则表达式从字符串中提取匹配的部分。
  • INSTR(str, substr):返回子串在字符串中第一次出现的位置。

(2)数学函数:
  • ROUND(number, decimals):将数字四舍五入到指定的小数位数。
  • ABS(number):返回数字的绝对值。
  • CEIL(number):向上取整。
  • FLOOR(number):向下取整。
  • POWER(base, exponent):返回一个数的指定次幂。
  • SQRT(number):返回一个数的平方根。
  • RAND():返回一个 01 之间的随机数。
  • LOG(number):返回一个数的自然对数。

(3)日期和时间函数:
  • CURRENT_DATE:返回当前日期。
  • CURRENT_TIMESTAMP:返回当前时间戳。
  • TO_DATE(dateString):将日期字符串转换为日期类型。
  • YEAR(date):返回日期的年份。
  • MONTH(date):返回日期的月份。
  • DATEDIFF(endDate, startDate):返回两个日期之间的天数差。
  • FROM_UNIXTIME(epoch):将 Unix 时间戳转换为日期时间字符串。
  • DATE_ADD(date, days):将指定天数添加到日期。

(4)集合函数:
  • COUNT(expr):返回非空行的数量。
  • SUM(expr):返回表达式的总和。
  • AVG(expr):返回表达式的平均值。
  • MIN(expr):返回表达式的最小值。
  • MAX(expr):返回表达式的最大值。
  • COLLECT_LIST(expr):将表达式的值收集到一个列表中。

(5)窗口函数:
  • ROW_NUMBER() OVER (ORDER BY column):为结果集中的行分配唯一的行号。
  • RANK() OVER (PARTITION BY partition_column ORDER BY column):为结果集中的行分配排名,相同值得到相同排名。
  • DENSE_RANK() OVER (PARTITION BY partition_column ORDER BY column):为结果集中的行分配密集排名,相同值得到相同排名,但排名不间断。

(6)条件函数:
  • CASE:条件表达式,类似于编程语言中的 switch-case
  • COALESCE(val1, val2, ...):返回参数列表中的第一个非空值。
  • IF(expr, true_value, false_value):根据条件返回不同的值。

(6)类型转换函数:
  • CAST(expr AS type):将表达式转换为指定类型。

(7)其他函数:
  • NVL(expr, default):如果表达式为 null,则返回默认值。
  • NULLIF(expr1, expr2):如果两个表达式相等,则返回 null

3,分组排序取 TopN 样例

(1)在工作中有一个典型的应用场景:分组排序取 TopN。要实现这个需求,需要借助于 Hive 中的 ROW_NUMBER() OVER() 函数。
  • ROW_NUMBER():对数据编号,编号从 1 开始。
  • OVER():把数据划分到一个窗口内,然后对窗口内的数据进行分区和排序操作。

(2)假设需求是这样的:有一份学生的考试成绩信息,包括语文、数学和英语这 3 个科目,需要计算出班级中单科排名前 3 名学生的信息。测试数据如下:

(3)建表语句如下:
create external table score(
  id int,
  name string,
  sub string,
  score int
)
row format delimited
fields terminated by '\t'
location '/data/score';

(3)向表中加载数据:
hdfs dfs -put /usr/local/score.txt /data/score

(4)获取单科排名前 3 名学生的信息:
  • 使用 ROW_NUMBER() 时,当上下两条记录的 score 相等时,这两条记录的行号会按照默认排序进行递增编号。此时会出现两个 score 相等的学生的排名是不一样的。;
select * from(
  select *,
  row_number() over (partition by sub order by score desc) as num 
  from score
)s where s.num <= 3;

(5)上面语句中的 ROW_NUMBER() 函数可以根据需求转换为 RANK() 函数或者 DENSE_RANK() 函数,它们区别如下:
  • 使用 RANK() 时,当上下两条记录的 score 相等时,这两条记录的行号是一样的,但是下一个 score 的行号递增 NN 是重复的次数)。此时会出现两个并列第 1 名,没有第 2 名,下一个是第 3 名。
select * from(
  select *,
  rank() over (partition by sub order by score desc) as num 
  from score
)s where s.num <= 3;
  • 使用 DENSE_RANK() 时,当上下两条记录的 score 相等时,这两条记录的行号是一样的,但是下一个 score 的行号递增 1。此时会出现两个并列第 1 名,下一个是第 2 名。
select * from(
  select *,
  dense_rank() over (partition by sub order by score desc) as num 
  from score
)s where s.num <= 3;
评论

全部评论(0)

回到顶部