HIVE窗口函数 - 技术栈

什么是窗口函数

hive中开窗函数通过over关键字声明；窗口函数，准确地说，函数在窗口中的应用；比如sum函数不仅可在group by后聚合，在可在窗口中应用；

hive中groupby算子和开窗over，shuffle的逻辑都是一样的；map时生成键值对，key在groupby中是group by 后跟的字段，在over 中是partition by后跟的字段；

select group_name,sum(sales) as sum_sales from dw_sec_saler_info group by group_name 中分组（key）字段是group_name

select group_name,id,sum(sales) over(partition by group_name) as sum_sales from dw_sec_saler_info 分组（key）字段也是group_name；如果开窗没有指定partition by 窗口，则函数是对全局数据应用；

与groupby不同的是，groupby每个key返回一条记录，而开窗函数，在开窗之前数据有多少行返回多少行；类似于在窗口中对每行数据应用了一个map函数，map函数传入的是指定窗口的数据，返回窗口函数计算的值；

一个select子句中，如果有多个开窗函数，尽管函数不同，倘若开窗分组字段是一样的（partition by字段是一样的），这几个开窗函数在逻辑计划可能是由一个mr实现的，因为shuffle的key是一样的；在程序逻辑上后面的开窗不需要再次数据混洗，map后，在reduce依次完成该分组多个开窗函数计算

比如：partition by 的字段都是class

sql 复制代码

select name
	,class  -- 班级
	,english_score  -- 英语成绩
	,math_score  -- 数学成绩
	,row_number() over(order by english_score+math_score) as total_rank  -- 总排名，该窗口由一个mr完成
	,row_number() over(partiton by class order by english_score) as english_class_rank  -- 班级中英语排名
	,row_number() over(partiton by class order by math_score) as math_class_rank   -- 班级中数学排名
from dw_cus_class_score_info

以上sql，通常由两个mr完成；一个mr完成class开窗逻辑，计算english_class_rank 和 math_class_rank，另外一个mr计算total_rank ；具体看执行计划；

开窗函数应用

语法：函数 + over( [partition by ...] [order by ...] [窗口子句] )

over：开窗关键字

partition by：声明窗口划分依据，把partition by后字段相同的数据划到同一个窗口；如果没有指定分组字段，则是对全局数据应用函数；

order by：排序字段；需要注意的是，没有指定该关键字，每次返回排序可能不一样；

窗口子句：可以进一步限定范围；语法：(rows | range) between ... and ...

row就行的相对位置，range 表示的是值，表示比这个值小n的行，比这个值大n的行即range between 是以当前值为锚点进行计算

如果没有窗口子句，则是窗口所有数据；等价于rows between unbounded preceding and unbounded following

(rows | range) between current row and (current row | (unbounded | [num]) following)

(rows | range) between [num] following and (unbounded | [num]) following

其中：

unbounded preceding：组内第一行数据

n preceding：组内当前行的前n行数据

current row：当前行数据

n following：组内当前行的后n行数据

unbounded following：组内后一行数据

图片转自：https://zhuanlan.zhihu.com/p/401242504

比如各个小组按日期升序排列对销售额累计求和：

sql 复制代码

select sales,dt,group_name
	,sum(sales) over(partition by group_name   -- 窗口分组字段是group_name
					order by dt asc     -- 按日期升序排列
					rows between unbounded preceding and current_now   -- 窗口是第一行到当前行
					) as consum_sales
from table_name

常用窗口函数

1. 排名函数

row_number
连续不重复排序，比如：1,2,3,4，5
rank
重复跨越排序，如果两个数据是一样的，排名是一样的；比如：1,2,3,3,5；有两个3，占了两个位置，所以下一个排序是5
desne_rank
重复连续排序，如果两个数据是一样的，排名是一样的，但下一个排名数字是紧挨着上一个排名，比如：1,2,3,3,4

2. 聚合计算函数

sum
求和
avg
平均数
count
计数
max/min
最大/最小值

3. 序列函数

lag
返回当前数据行的上一行数据，如果当前数据行是第一行没有上一行则返回null
lead
返回当前数据行的下一行数据，没有下一行则返回null
first_value
取分组内排序后，截止到当前行，第一个值
last_value
分组内排序后，截止到当前行，后一个值
ntile
一个分位函数，将分组的数据按照顺序切分成n片，返回当前切片值。如果取top10%，可以先先拆成10份，开窗后再筛选分位函数结果是1这部分。

开窗后对窗口函数返回字段筛选，这个筛选逻辑是不需要再起mr的，

比如row_number后（返回字段rnk），再取rnk=1。在sql上需要嵌套一层子查询。但在实际执行时这个rnk=1的逻辑是在开窗计算reduce里完成的筛选，不需要再起一个mr。具体可查看执行计划