【hive】数据采样

参考https://hadoopsters.com/how-random-sampling-in-hive-works-and-how-to-use-it-7cdb975aa8e2，可以直接查看原文，下面只是对原文进行概括和实际性能测试。

[1.distribute by + sort by](#1.distribute by + sort by)
2.测试
3.map端数据过滤优化采样

在说数据采样之前，需要先了解下hivesql中几个... by的区别，也是面试中比较容易问的问题。

1）group by：分组。

2）cluster by：cluster by=distribute by+sort by，唯一区别在于cluster by数据分发和排序的列只能是同一个，而distribute by+sort by可以不同。

3）distribute by：仅数据分发，相同的列值会被分发到同一个reducer，不保证reducer中的结果顺序。

4）sort by：局部（reducer）排序，只保证同一个reducer中的数据有序，不保证全局顺序。

5）order by：全局排序，将所有数据拉取到一个reducer中排序。

以上参考：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+SortBy#LanguageManualSortBy-SyntaxofClusterByandDistributeBy

因为分布式环境并不保证每次返回的结果顺序，因此好像直接limit进行随机采样也不是不可以，但是直接limit采样有个非常明显的弊端：采样数据分布不均。

举例来说，select * from tb limit 10，假设key分别为a、b、c，量级分别为5000，3000，2000的数据分布在3个reducer上，则每个reducer为了减少数据IO会先局部limit 10，最终汇总成30条数据的基础上再limit 10，这样抽样的结果数据中，key为a、b、c的数据量级就和原有每个key的总量级不匹配，不能很好的代表整体。所以说limit在分布式环境中只能算是一种伪随机。

1.distribute by + sort by

从上面可以看到造成结果伪随机的原因就是每个reducer中的数据不随机，相同的key数据都在同一个reducer，因此可以通过distribute by + 随机数的方式对数据随机分发，保证了reducer中数据的随机性。

每个reducer内部中，再通过sort by + 随机数的方式对数据局部随机排序，这样就能保证数据完全无序，样本不同key的量级也能代表整体。

order by + 随机数也行，但是分布式环境中理论上没有distribute by 随机数 sort by 随机数这种方式快，后者多个reducer同时处理更好的利用了集群资源。

2.测试

测试数据包含下面三类数据及量级。

房地产;内部楼栋（7820091）

公司企业;公司（4132401）

购物;超市（1371641）

sql 复制代码

create temporary view sample as
select * from poi_data.poi_res where std_tag in ('房地产;内部楼栋', '公司企业;公司', '购物;超市')
distribute by rand() sort by rand() limit 100000;

select std_tag, count(*) from sample1 group by std_tag order by count(*) desc;

sql 复制代码

drop view if exists sample;
create temporary view sample as
select * from poi_data.poi_res where std_tag in ('房地产;内部楼栋', '公司企业;公司', '购物;超市')
limit 100000;

select std_tag, count(*) from sample group by std_tag order by count(*) desc;

sql 复制代码

drop view if exists sample;
create temporary view sample as
select * from poi_data.poi_res where std_tag in ('房地产;内部楼栋', '公司企业;公司', '购物;超市')
order by rand() limit 100000;

select std_tag, count(*) from sample group by std_tag order by count(*) desc;

3.map端数据过滤优化采样

思想就是在map端就过滤一部分数据，减少shuffle的数据量。

eg：

sql 复制代码

drop view if exists sample;
create temporary view sample as
select * from poi_data.poi_res where std_tag in ('房地产;内部楼栋', '公司企业;公司', '购物;超市')
and rand() <= 0.01
distribute by rand() sort by rand() limit 100000;

select std_tag, count(*) from sample group by std_tag order by count(*) desc;

rand()用于生成[0, 1]的随机数，<=0.01的概率为1%，总数据量1300W+，那么理论上到达reducer的数据量有13w+，因此不影响最终的采样结果。

如果像下面这样将阈值设置为rand()<=0.0001，到达reducer的数据量占总数据量的0.1%（约1.3w），虽然最终结果的量级占比正确，但总量级不够采样数量。

sql 复制代码

drop view if exists sample;
create temporary view sample as
select * from poi_data.poi_res where std_tag in ('房地产;内部楼栋', '公司企业;公司', '购物;超市')
and rand() <= 0.001
distribute by rand() sort by rand() limit 100000;

select std_tag, count(*) from sample group by std_tag order by count(*) desc;

因此要注意阈值的合理设置，设置大了优化效果不明显，设置小了影响采样结果。