Question

我需要按分区（或组）对行进行排名，即如果我的源表是：

NAME PRICE
---- -----
AAA  1.59
AAA  2.00
AAA  0.75
BBB  3.48
BBB  2.19
BBB  0.99
BBB  2.50

我想获得目标表：

RANK NAME PRICE
---- ---- -----
1    AAA  0.75
2    AAA  1.59
3    AAA  2.00
1    BBB  0.99
2    BBB  2.19
3    BBB  2.50
4    BBB  3.48

通常我会使用ROW_NUMBER() OVER函数，因此在Apache Hive中它将是：

select
  row_number() over (partition by NAME order by PRICE) as RANK,
  NAME,
  PRICE
from
  MY_TABLE
;

很遗憾 Cloudera Impala不支持（目前）ROW_NUMBER() OVER功能，所以我正在寻找一种解决方法。最好不要使用UDAF，因为在政治上难以说服将其部署到服务器上。

感谢您的帮助。

Answer 1

如果使用相关子查询无法执行此操作，则仍可以使用连接执行此操作：

select t1.name, t1.price,
       coalesce(count(t2.name) + 1, 1)
from my_table t1 join
     my_table t2
     on t2.name = t1.name and
        t2.price < t1.price
order by t1.name, t1.price;

请注意，这并不完全是row_number() ，除非所有价格对于给定的name都是不同的。这个公式实际上相当于rank()。

对于row_number()，您需要一个唯一的行标识符。

顺便说一句，以下内容相当于dense_rank()：

select t1.name, t1.price,
       coalesce(count(distinct t2.name) + 1, 1)
from my_table t1 join
     my_table t2
     on t2.name = t1.name and
        t2.price < t1.price
order by t1.name, t1.price;

Answer 2

不支持窗口功能的系统的常用解决方法是这样的：

select name, 
       price,
       (select count(*) 
        from my_table t2 
        where t2.name = t1.name  -- this is the "partition by" replacement
        and t2.price < t1.price) as row_number
from my_table t1
order by name, price;

SQLFiddle示例：http://sqlfiddle.com/#!2/3b027/2

Answer 3

对于如何使用Impala并不是一个真正的答案，但Hadoop解决方案上还有其他SQL已经提供了分析和子查询选项。如果没有这些功能，您可能不得不依赖于多步骤流程或某些UDAF。

我是InfiniDB的架构师 InfiniDB支持分析函数和子查询 http://infinidb.co

从Radiant Advisors查看基准测试中的查询8，它是一个类似的样式查询，您使用等级分析功能。 Presto也能够以较慢的速度（80x）运行此样式查询 http://radiantadvisors.com/wp-content/uploads/2014/04/RadiantAdvisors_Benchmark_SQL-on-Hadoop_2014Q1.pdf

来自基准测试的查询（查询8）

SELECT
    sub.visit_entry_idaction_url,
    sub.name,
    lv.referer_url,
    sum(visit_ total_time) total_time,
    count(sub.idvisit),
    RANK () OVER (PARTITION BY sub. visit_entry_idaction_url
ORDER BY
    count(sub.idvisit)) rank_by_visits,
    DENSE_RANK() OVER (PARTITION BY sub.visit_entry_idaction_url
ORDER BY
    count(visit_total_time)) rank_by_ time_spent
FROM
    log_visit lv,
    (
SELECT
    visit_entry_idaction_url,
    name,
    idvisit
FROM
    log_visit JOIN log_ action
        ON
        (visit_entry_idaction_url = log_action.idaction)
WHERE
    visit_ entry_idaction_url between 2301400 AND
    2302400) sub
WHERE
    lv.idvisit = sub.idvisit
GROUP BY
    1, 2, 3
ORDER BY
    1, 6, 7;

结果

Hive 0.12       Not Executable  
Presto 0.57     506.84s  
InfiniDB 4.0    6.37s  
Impala 1.2      Not Executable

在不使用ROW_NUMBER（）OVER函数的情况下获取分区中行（排名）的序号

3 个答案: