Question

我是Hive的新手，我想事先赦免我的无知以获取下面的任何东西。我有一张表如下：

SELECT a.storeid, a.smonth, a.sales FROM table a;
1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

我的目标输出如下：

1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0
1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0

我编写了一个简单的hive udf sum类来实现上述功能并在查询中使用了SORT BY storeid，smonth：

SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table SORT BY storeid, smonth) a;

显然，它不会产生上述输出，因为只有一个映射器，并且调用相同的udf实例，它会在总集合上生成一个运行总和。我的目标是为每个storeid重置udf类中的runningSum实例变量，以便evaluate函数返回上面的输出。我使用了以下内容： 1.传递storeid变量rsum（sales，storeid）然后我们可以在udf类中正确处理这种情况。 2.使用2个映射器，如以下查询：

set mapred.reduce.tasks=2;
SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table DISTRIBUTE BY storeid SORT BY storeid, smonth) a;

1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0
1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0

为什么1002始终出现在顶部？我想就除了上述方法之外我可以实现相同的其他方法（例如子查询/连接）寻求你的建议。此外，您建议的方法的时间复杂性是什么？

Answer 1

Hive提供了一种更好的方法来实现这一目标 -
请按照以下流程实现目标输出

创建一个可以包含数据集的hive表 -

1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

现在只需在您的配置终端中运行以下命令 -

SELECT storeid, smonth, sales, SUM(sales) OVER (PARTITION BY storeid ORDER BY smonth) FROM table_name;

输出类似于 -

1001  1  35000.0  35000.0
1001  2  25000.0  60000.0
1001  3  40000.0  100000.0
1002  1  40000.0  40000.0
1002  2  35000.0  75000.0
1002  3  110000.0 185000.0

我希望这可以帮助您获得目标输出。

Answer 2

或者，您可以查看包含多个功能扩展的this Hive票证其中有一个累积和实现（ GenericUDFSum ）。

这个函数（简称“rsum”）有两个参数，id的哈希值（记录在reducers之间分配）和它们对应的值要求总结：

select t.storeid, t.smonth, t.sales, rsum(hash(t.storeid),t.sales) as sales_sum 
  from (select storeid, smonth, sales from sm distribute by hash(storeid) 
    sort by storeid, smonth) t;

1001  1  35000.0  35000.0
1001  2  25000.0  60000.0
1001  3  40000.0  100000.0
1002  1  40000.0  40000.0
1002  2  35000.0  75000.0
1002  3  110000.0 185000.0

Answer 3

选择storeid，smonth，销售额，总和（销售额）（按storeid顺序按smonth划分）作为rsum FROM表;

Answer 4

这应该可以解决问题：

SELECT 
    a.storeid, 
    a.smonth,
    a.sales,
    SUM(a.sales) 
OVER (
    PARTITION BY a.storeid 
    ORDER BY a.smonth asc 
    ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)
FROM 
    table a;

src：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics

使用hive udf函数计算运行总和

4 个答案: