Hive窗口函数详解

一、窗口函数知识点

1.1 窗户函数的定义

窗口函数可以拆分为【窗口+函数】。窗口函数官网指路：

LanguageManual WindowingAndAnalytics - Apache Hive - Apache Software Foundationhttps://cwiki.apache.org/confluence/display/Hive/LanguageManual%20WindowingAndAnalytics

**窗口：**over()，窗口的本质是：指明了函数要处理的数据范围

函数： 指明函数计算逻辑

1.2 窗户函数的语法

sql 复制代码

<窗口函数>window_name  over ( [partition by 字段...]  [order by 字段...]  [窗口子句] )

window_name：给窗口指定一个别名。

**over：**用来指定函数执行的窗口范围，如果后面括号中什么都不写，即over() ，意味着窗口包含满足where 条件的所有行，窗口函数基于所有行进行计算。

符号[] 代表：可选项； | ：代表二选一

partition by 子句：窗口按照哪些字段进行分组，窗口函数在不同的分组上分别执行。分组间互相独立。

**order by 子句：**每个partition内部按照哪些字段进行排序，如果没有partition ，那就直接按照最大的窗口排序，且默认是按照升序（asc）排列。

**窗口子句：**显示声明范围（不写窗口子句的话，会有默认值）。常用的窗口子句如下：

1.3 窗口子句范围大小的控制

rows 或 range子句往往来控制窗口的边界范围，其语法如下：

sql 复制代码

    rows between unbounded preceding and  unbounded following; -- 上无边界到下无边界（一般用于求 总和）
    rows between unbounded preceding and current row;  --上无边界到当前记录(累计值)
    rows between 1 preceding and current row; --从上一行到当前行
    rows between 1 preceding and 1 following; --从上一行到下一行
    rows between current row and 1 following; --从当前行到下一行

1.4 rows与range的区别

rows：rows是真实的行数，也就是我们实际中所说的1,2,3...连续的行数。

range：range是逻辑上的行数，需要通过计算才能知道是哪一行。

ps:over()里面有order by子句，但没有窗口子句时，即：<窗口函数> over ( partition by 字段... order by 字段... ) ，此时窗口子句是有默认值的 --> rows between unbounded preceding and current row (上无边界到当前行)。

此时窗口函数语法：<窗口函数> over ( partition by 字段... order by 字段... ) 等价于

<窗口函数> over ( partition by 字段... order by 字段... rows between unbounded preceding and current row)

需要注意有个特殊情况：当order by 后面跟的某个字段是有重复行的时候 ， <窗口函数> over ( partition by 字段... order by 字段... ) 不写窗口子句的情况下，窗口子句的默认值是：range between unbounded preceding and current row(上无边界到当前相同行的最后一行)。

因此，遇到order by 后面跟的某个字段出现重复行，且需要计算【上无边界到当前行】，那就需要手动指定窗口子句 rows between unbounded preceding and current row，偷懒省略窗口子句会出问题~

总结如下：

sql 复制代码

1、窗口子句不能单独出现，必须有order by子句时才能出现。
2、当省略窗口子句时:
 
   a) 如果存在order by则默认的窗口是unbounded preceding and current row  --当前组的第一行到当前行，即在当前组中，第一行到当前行
 
   b) 如果没有order by则默认的窗口是unbounded preceding and unbounded following  --整个组

口诀：

有partition by 且有order by，窗口范围：分组中第一行到当前行

有partition by 无order by ，窗口范围：整个分组

无partition by 且有order by 窗口范围：整个表中第一行到当前行

无partition by 无order by，窗口范围：整个分组，即over()

1.5 窗口函数执行顺序

一般而言：sql 执行顺序

sql 复制代码

 from ->
 join ->
 on ->
 where ->
 group by->
 with (可以在分组后面加上 with rollup,在分组之后对每个组进行全局汇总) ->
 select 后面的普通字段，聚合函数-> 
 having(having中可以使用select 字段别名) -> 
 distinct -> 
 order by ->
 limit

而窗口函数的执行顺序 ：窗口函数是作用于select后的结果集。select 的结果集作为窗口函数的输入 ，但是位于 distcint 之前。窗口函数的执行结果只是在原有的列中单独添加一列，形成新的列，它不会对已有的行或列做修改。窗口函数 简化版的执行顺序：

窗口函数具体实现原理：

sql 复制代码

select channel, 
       month,
       sum(amount) as sum,
       dense_rank() over (partition by channel order by sum(amount) desc) as dr,
       row_number() over(partition by channel order by sum(amount) desc) as rn
from sales
group by channel,
          month;

考虑以上代码，在hive中具体实现主要有两个阶段：

step1 : 计算除窗口函数以外所有的其他运算，如：from 、join 、where、group by、having等。上面的代码的第一阶段即为：

sql 复制代码

select channel,
       month, 
       sum(amount) as sum 
from sales 
group by channel, month;

step2： 将step1 的输出作为 WindowingTableFunction窗口函数的输入，计算对应的窗口函数值。

1.6 条件判断语句嵌套window子句的执行顺序

HiveSQL------条件判断语句嵌套windows子句的应用-CSDN博客文章浏览阅读1.4k次，点赞42次，收藏21次。HiveSQL------条件判断语句嵌套windows子句的应用https://blog.csdn.net/SHWAITME/article/details/136079305?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170763988016800180626588%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=170763988016800180626588&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~rank_v31_ecpm-1-136079305-null-null.nonecase&utm_term=%E6%9D%A1%E4%BB%B6&spm=1018.2226.3001.4450 结论：

case when(或 if)语句中嵌套窗口函数时，条件判断语句的执行顺序在窗口函数之后
窗口函数partition by子句中是可以嵌套条件判断语句的case when(或 if)

1.7 窗口函数中的partition by分组与group by的区别

group by 汇总后行数减少，partition by汇总后原表中的行数没变。
group by分组后，一组中只返回一个结果。窗口函数中partition by分组，每组每行中都会有一个分析结果。

group by分组后，select中的字段必须是group by的字段、sum()等聚合函数或常量；但是窗口函数中的partition by 分组就没有此限制，窗口函数分析的结果可以与表中其他字段并列，其相当于在原表每个分组中新增了一列。

举例：

sql 复制代码

CREATE TABLE t_order (
       oid int ,
       uid int ,
       otime string,
       oamount int
 )
ROW format delimited FIELDS TERMINATED BY ",";
load data local inpath "/opt/module/hive_data/t_order.txt" into table t_order;

sql 复制代码

with tmp as (
    select
        oid,
        uid,
        otime,
        oamount,
        date_format(otime, 'yyyy-MM') as dt,
        ---计算rk的目的是为了获取记录中的第一条
        row_number() over (partition by uid,date_format(otime, 'yyyy-MM') order by otime) rk
    from t_order
    order by uid
)
select
    uid,
    --每个用户一月份的订单数
    sum(if(dt = '2018-01', 1, 0)) as                 m1_count,
    --每个用户二月份的订单数
    sum(if(dt = '2018-02', 1, 0)) as                 m2_count,
    --每个用户三月份的订单数(当月订单金额超过10元的订单个数)
    sum(if(dt = '2018-03' and oamount > 10, 1, 0))   m3_count,
    --当月(3月份)首次下单的金额
    sum(if(dt = '2018-03' and rk = 1, oamount, 0))   m3_first_amount,
   -- 开窗函数
    row_number() over (partition by uid order by  sum(if(dt = '2018-01', 1, 0)))rk
from tmp
group by uid
having m1_count >0 and m2_count=0;

根据HiveSQL的执行顺序 得到，窗口函数的执行是在group by,having之后进行，是与select同级别的。如果SQL中既使用了group by又使用了partition by，那么此时 partition by的分组是基于group by分组之后的结果集进行的再次分组，即窗口函数分析的数据范围也是基于group by后的数据。