Question

我在Hive中有一个包含5列的表，即email，a_first_date，b_first_date，c_first_date，d_first_date。

a，b，c，d是用户可以采取的4种不同的动作，上表中的4列表示用户进行第一次相应动作的日期。例如，'a_first_date'中的值包含用户执行操作a的日期。

输出：我想要的是2列电子邮件，overall_first_date，即用户第一次行动的日期？

示例表:(假设所有值都是除电子邮件之外的BIGINT类型）

电子邮件，a_first_date，b_first_date，c_first_date，d_first_date
ABC，20140707,20140702,20140801,20140907
XYZ，20140107,20140822,20140201,20141007

输出：

电子邮件，overall_first_date
ABC，20140702
XYZ，20140107

可能的几个解决方案是编写UDF或使用IF ELSE将这些值相互比较，然后找到最小值但这需要进行大量的比较。

或者我可以做：

select email, min(action) as overall_first_date from

(
select email, a_first_date as action from mytable
UNION ALL
select email, b_first_date as action from mytable
UNION ALL
select email, c_first_date as action from mytable
UNION ALL
select email, d_first_date as action from mytable
) q1

GROUP BY email

但这又不是一个好方法。

有人可以建议一个更好的方法来实现这个目标吗？

Answer 1

您可以使用Hive的数组函数：

select email, 
       sort_array(array(a_first_date, b_first_date, c_first_date, d_first_date))[0]  as overall_first_date
from table;

我不确定这与CASE语句在性能方面的比较。由于你没有很多专栏，所以两者都同样简单。

Answer 2

使用函数least（）。例如; 选择*，至少（col1，col2，col3）作为minofcol 来自Tablename;

Answer 3

为什么不使用案例陈述？这似乎在SQL中已经彻底讨论过：https://dba.stackexchange.com/questions/21542/what-is-the-most-efficient-way-to-get-the-minimum-of-multiple-columns-on-sql-ser

Hive（连续找到n列的最小值）

3 个答案: