使用HQL进行滚动平均值

时间:2018-06-11 14:45:46

标签: sql hive amazon-redshift

这是我在SO上的第一篇文章。所以我完全有可能违反很多发布规则。如果是这种情况,请告诉我,我会确保不再重复。

我一直试图在Hive的同一查询中获得滚动平均值和绝对数字,这就是我所拥有的。这在Redshift中完美运行,但在Hive中给了我一个错误。看起来不支持select语句中的子查询。想知道我是否可以获得一些关于如何修改此查询的指示,以便从Hive中获得相同的结果。

    select 
            a.ds,
            a.traffic_source,
            a.device_type,
            count(distinct a.unique_id) as daily_deduped_visits_human,
            (select
                    count(distinct b.unique_id)
             from
                    scratch.unique_human_id b
             where
                    b.ds >= a.ds - 28
                    and b.ds <= a.ds
                    and a.traffic_source = b.traffic_source
                    and a.device_type = b.device_type
            )/28 as rolling_28_day_average_visits_human
    from
            scratch.unique_human_id a
    group by 1,2,3      

1 个答案:

答案 0 :(得分:0)

您的示例中的技术称为相关子查询,并且往往非常慢。我建议使用带有range子句的window函数。

首先,在子查询中,计算每天的指标。然后在主选择使用窗口函数来计算滚动总和/平均值。 See more window function examples in the Redshift docs.

SELECT a.ds
     , a.traffic_source
     , a.device_type
     , a.daily_deduped_visits_human
     , SUM(a.daily_deduped_visits_human) 
       OVER (PARTITION BY a.traffic_source, a.device_type 
             ORDER BY a.ds 
             ROWS BETWEEN 28 PRECEDING AND CURRENT ROW 
            ) AS rolling_28_day_total_visits_human
     , AVG(a.daily_deduped_visits_human) 
       OVER (PARTITION BY a.traffic_source, a.device_type 
             ORDER BY a.ds 
             ROWS BETWEEN 28 PRECEDING AND CURRENT ROW 
            ) AS rolling_28_day_average_visits_human
FROM (-- First calc the metric
      SELECT a.ds
           , a.traffic_source
           , a.device_type
           , COUNT(DISTINCT a.unique_id) AS daily_deduped_visits_human
      FROM scratch.unique_human_id a
      GROUP BY 1,2,3
      ) a
GROUP BY 1,2,3,4
ORDER BY a.traffic_source
     , a.device_type
     , a.ds
;