Question

我正在探索Hive中的窗口功能，并且能够理解所有UDF的功能。虽然，我无法理解我们与其他功能配合使用的分区和顺序。以下是与我计划构建的查询非常相似的结构。

SELECT a, RANK() OVER(partition by b order by c) as d from xyz;

只是试图了解两个关键字所涉及的后台过程。

感谢帮助：）

Answer 1

RANK()分析函数为数据集中每个分区的每一行分配一个等级。

PARTITION BY子句确定行的分配方式（如果是蜂巢，则在缩减程序之间）。

ORDER BY确定分区中行的排序方式。

第一阶段分配，数据集中的所有行均分配到分区中。在map-reduce中，每个映射器根据partition by对行进行分组，并为每个分区生成文件。映射器对分区部分进行初始排序。

第二阶段，所有行都在每个分区内排序。在map-reduce中，每个化简器获取由映射器生成的分区文件（分区的一部分），并根据order by对整个分区中的行进行排序（部分结果的排序）。

第三，等级功能将等级分配给分区中的每一行。正在为每个分区初始化Rank函数。

对于分区中的第一行，排名从1开始。对于每一行Rank=previous row rank+1。具有相同值（按顺序指定）的行具有相同的等级，如果两行共享相同的等级，则下一行不是连续的。

不同的分区可以在不同的reducer上并行处理。小型分区可以在同一reducer上进行处理。等级函数在跨越分区边界时会重新初始化，并以每个分区的rank = 1开头。

示例（行已在分区内进行了分区和排序）：

SELECT a, RANK() OVER(partition by b order by c) as d from xyz; 

a, b, c, d(rank)
----------------
1  1  1  1 --starts with 1
2  1  1  1 --the same c value, the same rank=1
3  1  2  3 --rank 2 is skipped because second row shares the same rank as first 

4  2  3  1 --New partition starts with 1
5  2  4  2
6  2  5  3

如果需要连续的等级，请使用dense_rank函数。 dense_rank将为上述数据集中的第三行产生rank = 2。

row_number函数将为分区中以1开头的每一行分配位置编号。具有相等值的行将接收不同的连续编号。

SELECT a, ROW_NUMBER() OVER(partition by b order by c) as d from xyz; 

a, b, c, d(row_number)
----------------
1  1  1  1 --starts with 1
2  1  1  2 --the same c value, row number=2
3  1  2  3 --row position=3

4  2  3  1 --New partition starts with 1
5  2  4  2
6  2  5  3

重要说明：对于具有相同值row_number或其他此类分析函数的行，可能具有不确定性，并在每次运行时产生不同的数字。上述数据集中的第一行可能会收到数字2，第二行可能会收到数字1，反之亦然，因为除非您将在order by上再添加一列 a ，否则它们的顺序是不确定的条款。在这种情况下，每次运行时所有行将始终具有相同的row_number，它们的顺序值是不同的。

Hive中的窗口功能

1 个答案: