Hive 内置函数（二）
# 五、窗口分析函数
## 5.1 聚会函数+over
hive中的窗口函数和sql中的窗口函数相类似,都是用来做一些数据分析类的工作,一般用于olap分析（在线分析处理）。
我们都知道在sql中有一类函数叫做聚合函数,例如sum()、avg()、max()等等,这类函数可以将多行数据按照规则聚集为一行,一般来讲聚集后的行数是要少于聚集前的行数的.但是有时我们想要既显示聚集前的数据,又要显示聚集后的数据,这时我们便引入了窗口函数。
<font color=red>在深入研究over字句之前，一定要注意：在SQL处理中，窗口函数都是最后一步执行，而且仅位于Order by字句之前。
</font>
**数据准备：**
```sql
-->表创建
create table t_order(name string, orderdate string, cost int)
row format delimited
fields terminated by ',';
-->数据导入
load data local inpath '/root/hiveData/t_order.txt' into table t_order;
-->数据展示
1: jdbc:hive2://localhost:10000> select * from t_order;
+---------------+--------------------+---------------+--+
| t_order.name | t_order.orderdate | t_order.cost |
+---------------+--------------------+---------------+--+
| jack | 2015-01-01 | 10 |
| tony | 2015-01-02 | 15 |
| jack | 2015-02-03 | 23 |
| tony | 2015-01-04 | 29 |
| jack | 2015-01-05 | 46 |
| jack | 2015-04-06 | 42 |
| tony | 2015-01-07 | 50 |
| jack | 2015-01-08 | 55 |
| mart | 2015-04-08 | 62 |
| mart | 2015-04-09 | 68 |
| neil | 2015-05-10 | 12 |
| mart | 2015-04-11 | 75 |
| neil | 2015-06-12 | 80 |
| mart | 2015-04-13 | 94 |
+---------------+--------------------+---------------+--+
14 rows selected (0.159 seconds)
```
假如说我们想要查询在2015年4月份购买过的顾客及总人数,我们便可以使用窗口函数去去实现
**实例：**
```sql
1: jdbc:hive2://localhost:10000> select name,count(*) over() from t_order where substring(orderdate, 1, 7)='2015-04'；
+-------+-----------------+--+
| name | count_window_0 |
+-------+-----------------+--+
| mart | 5 |
| mart | 5 |
| mart | 5 |
| mart | 5 |
| jack | 5 |
+-------+-----------------+--+
5 rows selected (1.857 seconds)-->注意：正常情况下，使用count函数是必须结合分组使用，但这里配合over可以显示聚合后的数据
```
可见其实在2015年4月一共有5次购买记录,mart购买了4次,jack购买了1次.事实上,大多数情况下,我们是只看去重后的结果的.针对于这种情况,我们有两种实现方式：
```sql
--->distinct方式
1: jdbc:hive2://localhost:10000> select distinct name,count(*) over ()
1: jdbc:hive2://localhost:10000> from t_order
1: jdbc:hive2://localhost:10000> where substring(orderdate,1,7) = '2015-04';
--->group by方式
1: jdbc:hive2://localhost:10000> select name,count(*) over ()
1: jdbc:hive2://localhost:10000> from t_order
1: jdbc:hive2://localhost:10000> where substring(orderdate,1,7) = '2015-04'
1: jdbc:hive2://localhost:10000> group by name;
-->输出结果都为:这里就体现出了over是在后面执行的
+-------+-----------------+--+
| name | count_window_0 |
+-------+-----------------+--+
| mart | 2 |
| jack | 2 |
+-------+-----------------+--+
2 rows selected (2.889 seconds)
```
### 5.1.1 partition by 字句
over子句之后第一个提到的就是partition by。partition by子句也可以称为查询分区子句，非常类似于Group By，都是将数据按照边界值分组，而Over之前的函数在每一个分组之内进行，如果超出了分组，则函数会重新计算.
**需求**：我们想要去看顾客的购买明细及月购买总额。
```sql
1: jdbc:hive2://localhost:10000> select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) # 这里month(orderdate) 提取出月份
1: jdbc:hive2://localhost:10000> from t_order;
+-------+-------------+-------+---------------+--+
| name | orderdate | cost | sum_window_0 |
+-------+-------------+-------+---------------+--+
| jack | 2015-01-01 | 10 | 205 |
| jack | 2015-01-08 | 55 | 205 |
| tony | 2015-01-07 | 50 | 205 |
| jack | 2015-01-05 | 46 | 205 |
| tony | 2015-01-04 | 29 | 205 |
| tony | 2015-01-02 | 15 | 205 |
| jack | 2015-02-03 | 23 | 23 |
| mart | 2015-04-13 | 94 | 341 |
| jack | 2015-04-06 | 42 | 341 |
| mart | 2015-04-11 | 75 | 341 |
| mart | 2015-04-09 | 68 | 341 |
| mart | 2015-04-08 | 62 | 341 |
| neil | 2015-05-10 | 12 | 12 |
| neil | 2015-06-12 | 80 | 80 |
+-------+-------------+-------+---------------+--+
14 rows selected (1.56 seconds)
```
可以看出数据已经按照月进行汇总了.
## 5.1.2 order by字句
order by子句会让输入的数据强制排序（文章前面提到过，窗口函数是SQL语句最后执行的函数，因此可以把SQL结果集想象成输入数据）。Order By子句对于诸如Row_Number()，Lead()，LAG()等函数是必须的，因为如果数据无序，这些函数的结果就没有任何意义。因此如果有了Order By子句，则Count()，Min()等计算出来的结果就没有任何意义。
**实例：**
```sql
-->假如我们想要将cost按照月进行累加.这时我们引入order by子句.
1: jdbc:hive2://localhost:10000> select name,orderdate,cost,sum(cost) over(partition by month(orderdate) order by orderdate )
1: jdbc:hive2://localhost:10000> from t_order;
+-------+-------------+-------+---------------+--+
| name | orderdate | cost | sum_window_0 |
+-------+-------------+-------+---------------+--+
| jack | 2015-01-01 | 10 | 10 |
| tony | 2015-01-02 | 15 | 25 |
| tony | 2015-01-04 | 29 | 54 |
| jack | 2015-01-05 | 46 | 100 |
| tony | 2015-01-07 | 50 | 150 |
| jack | 2015-01-08 | 55 | 205 |
| jack | 2015-02-03 | 23 | 23 |
| jack | 2015-04-06 | 42 | 42 |
| mart | 2015-04-08 | 62 | 104 |
| mart | 2015-04-09 | 68 | 172 |
| mart | 2015-04-11 | 75 | 247 |
| mart | 2015-04-13 | 94 | 341 |
| neil | 2015-05-10 | 12 | 12 |
| neil | 2015-06-12 | 80 | 80 |
+-------+-------------+-------+---------------+--+
14 rows selected (1.7 seconds)
-->从上面可以看出，对月进行分组切排序
```
### 5.1.3 window 子句
我们在上面已经通过使用partition by子句将数据进行了分组的处理.如果我们想要更细粒度的划分，我们就要引入window子句了
**我们首先要理解两个概念:**
如果只使用partition by子句,未指定order by的话,我们的聚合是分组内的聚合.
使用了order by子句,未使用window子句的情况下,默认从起点到当前行.当同一个select查询中存在多个窗口函数时,他们相互之间是没有影响的.每个窗口函数应用自己的规则.
>**window子句：**
>- PRECEDING：往前
>- FOLLOWING：往后
>- CURRENT ROW：当前行
>- UNBOUNDED：起点 ; UNBOUNDED PRECEDING 表示从前面的起点 ; UNBOUNDED FOLLOWING：表示到后面的终点
**实例：**
```sql
-->我们按照name进行分区,按照购物时间进行排序,做cost的累加. 如下我们结合使用window子句进行查询
select name,orderdate,cost,
sum(cost) over() as sample1,--所有行相加
sum(cost) over(partition by name) as sample2,--按name分组，组内数据相加
sum(cost) over(partition by name order by orderdate) as sample3,--按name分组，组内数据累加
sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,--和sample3一样,由起点到当前行的聚合
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,--当前行和前边一行及后面一行
sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行
from t_order;
+-------+-------------+-------+----------+----------+----------+----------+----------+----------+----------+--+
| name | orderdate | cost | sample1 | sample2 | sample3 | sample4 | sample5 | sample6 | sample7 |
+-------+-------------+-------+----------+----------+----------+----------+----------+----------+----------+--+
| jack | 2015-01-01 | 10 | 661 | 176 | 10 | 10 | 10 | 56 | 176 |
| jack | 2015-01-05 | 46 | 661 | 176 | 56 | 56 | 56 | 111 | 166 |
| jack | 2015-01-08 | 55 | 661 | 176 | 111 | 111 | 101 | 124 | 120 |
| jack | 2015-02-03 | 23 | 661 | 176 | 134 | 134 | 78 | 120 | 65 |
| jack | 2015-04-06 | 42 | 661 | 176 | 176 | 176 | 65 | 65 | 42 |
| mart | 2015-04-08 | 62 | 661 | 299 | 62 | 62 | 62 | 130 | 299 |
| mart | 2015-04-09 | 68 | 661 | 299 | 130 | 130 | 130 | 205 | 237 |
| mart | 2015-04-11 | 75 | 661 | 299 | 205 | 205 | 143 | 237 | 169 |
| mart | 2015-04-13 | 94 | 661 | 299 | 299 | 299 | 169 | 169 | 94 |
| neil | 2015-05-10 | 12 | 661 | 92 | 12 | 12 | 12 | 92 | 92 |
| neil | 2015-06-12 | 80 | 661 | 92 | 92 | 92 | 92 | 92 | 80 |
| tony | 2015-01-02 | 15 | 661 | 94 | 15 | 15 | 15 | 44 | 94 |
| tony | 2015-01-04 | 29 | 661 | 94 | 44 | 44 | 44 | 94 | 79 |
| tony | 2015-01-07 | 50 | 661 | 94 | 94 | 94 | 79 | 79 | 50 |
+-------+-------------+-------+----------+----------+----------+----------+----------+----------+----------+--+
14 rows selected (4.959 seconds)
```
## 5.2 分析函数
### 5.2.1 ntile
**功能**：用于将分组数据按顺序切分成n片，返回当前切片值
**注意**：ntile不支持 rows between
**使用实例：**
```sql
-->假如我们想要每位顾客购买金额前1/3的交易记录,我们便可以使用这个函数.
select name,orderdate,cost,
ntile(3) over() as sample1 , --全局数据切片
ntile(3) over(partition by name), -- 按照name进行分组,在分组内将数据切成3份
ntile(3) over(order by cost),--全局按照cost升序排列,数据切成3份
ntile(3) over(partition by name order by cost ) --按照name分组，在分组内按照cost升序排列,数据切成3份
from t_order;
+-------+-------------+-------+----------+------+------+-----------------+--+
| name | orderdate | cost | sample1 | _c4 | _c5 | ntile_window_3 |
+-------+-------------+-------+----------+------+------+-----------------+--+
| jack | 2015-01-01 | 10 | 3 | 1 | 1 | 1 |
| jack | 2015-02-03 | 23 | 3 | 1 | 1 | 1 |
| jack | 2015-04-06 | 42 | 2 | 2 | 2 | 2 |
| jack | 2015-01-05 | 46 | 2 | 2 | 2 | 2 |
| jack | 2015-01-08 | 55 | 2 | 3 | 2 | 3 |
| mart | 2015-04-08 | 62 | 2 | 1 | 2 | 1 |
| mart | 2015-04-09 | 68 | 1 | 2 | 3 | 1 |
| mart | 2015-04-11 | 75 | 1 | 3 | 3 | 2 |
| mart | 2015-04-13 | 94 | 1 | 1 | 3 | 3 |
| neil | 2015-05-10 | 12 | 1 | 2 | 1 | 1 |
| neil | 2015-06-12 | 80 | 1 | 1 | 3 | 2 |
| tony | 2015-01-02 | 15 | 3 | 2 | 1 | 1 |
| tony | 2015-01-04 | 29 | 3 | 3 | 1 | 2 |
| tony | 2015-01-07 | 50 | 2 | 1 | 2 | 3 |
+-------+-------------+-------+----------+------+------+-----------------+--+
14 rows selected (5.981 seconds)
```
如上述数据，我们去sample4 = 1的那部分数据就是我们要的结果
### 5.2.2 lag和lead
这两个函数为常用的窗口函数,可以返回上下数据行的数据.
**实例：**
```sql
-->以我们的订单表为例,假如我们想要查看顾客上次的购买时间可以这样去查询
select name,orderdate,cost,
lag(orderdate,1,'1900-01-01') over(partition by name order by orderdate ) as time1,
lag(orderdate,2) over (partition by name order by orderdate) as time2
from t_order;
+-------+-------------+-------+-------------+-------------+--+
| name | orderdate | cost | time1 | time2 |
+-------+-------------+-------+-------------+-------------+--+
| jack | 2015-01-01 | 10 | 1900-01-01 | NULL |
| jack | 2015-01-05 | 46 | 2015-01-01 | NULL |
| jack | 2015-01-08 | 55 | 2015-01-05 | 2015-01-01 |
| jack | 2015-02-03 | 23 | 2015-01-08 | 2015-01-05 |
| jack | 2015-04-06 | 42 | 2015-02-03 | 2015-01-08 |
| mart | 2015-04-08 | 62 | 1900-01-01 | NULL |
| mart | 2015-04-09 | 68 | 2015-04-08 | NULL |
| mart | 2015-04-11 | 75 | 2015-04-09 | 2015-04-08 |
| mart | 2015-04-13 | 94 | 2015-04-11 | 2015-04-09 |
| neil | 2015-05-10 | 12 | 1900-01-01 | NULL |
| neil | 2015-06-12 | 80 | 2015-05-10 | NULL |
| tony | 2015-01-02 | 15 | 1900-01-01 | NULL |
| tony | 2015-01-04 | 29 | 2015-01-02 | NULL |
| tony | 2015-01-07 | 50 | 2015-01-04 | 2015-01-02 |
+-------+-------------+-------+-------------+-------------+--+
14 rows selected (1.6 seconds)
```
### 5.2.3 first_value和last_value
first_value取分组内排序后，截止到当前行，第一个值
last_value取分组内排序后，截止到当前行，最后一个值
```sql
select name,orderdate,cost,
first_value(orderdate) over(partition by name order by orderdate) as time1,
last_value(orderdate) over(partition by name order by orderdate) as time2
from t_order;
+-------+-------------+-------+-------------+-------------+--+
| name | orderdate | cost | time1 | time2 |
+-------+-------------+-------+-------------+-------------+--+
| jack | 2015-01-01 | 10 | 2015-01-01 | 2015-01-01 |
| jack | 2015-01-05 | 46 | 2015-01-01 | 2015-01-05 |
| jack | 2015-01-08 | 55 | 2015-01-01 | 2015-01-08 |
| jack | 2015-02-03 | 23 | 2015-01-01 | 2015-02-03 |
| jack | 2015-04-06 | 42 | 2015-01-01 | 2015-04-06 |
| mart | 2015-04-08 | 62 | 2015-04-08 | 2015-04-08 |
| mart | 2015-04-09 | 68 | 2015-04-08 | 2015-04-09 |
| mart | 2015-04-11 | 75 | 2015-04-08 | 2015-04-11 |
| mart | 2015-04-13 | 94 | 2015-04-08 | 2015-04-13 |
| neil | 2015-05-10 | 12 | 2015-05-10 | 2015-05-10 |
| neil | 2015-06-12 | 80 | 2015-05-10 | 2015-06-12 |
| tony | 2015-01-02 | 15 | 2015-01-02 | 2015-01-02 |
| tony | 2015-01-04 | 29 | 2015-01-02 | 2015-01-04 |
| tony | 2015-01-07 | 50 | 2015-01-02 | 2015-01-07 |
+-------+-------------+-------+-------------+-------------+--+
14 rows selected (1.588 seconds)
```
### 5.2.4 扩展
row_number的用途非常广泛，排序最好用它，它会为查询出来的每一行记录生成一个序号，依次排序且不会重复，注意使用row_number函数时必须要用over子句选择对某一列进行排序才能生成序号。
rank函数用于返回结果集的分区内每行的排名，行的排名是相关行之前的排名数加一。简单来说rank函数就是对查询出来的记录进行排名，与row_number函数不同的是，rank函数考虑到了over子句中排序字段值相同的情况，如果使用rank函数来生成序号，over子句中排序字段值相同的序号是一样的，后面字段值不相同的序号将跳过相同的排名号排下一个，也就是相关行之前的排名数加一，可以理解为根据当前的记录数生成序号，后面的记录依此类推。
dense_rank函数的功能与rank函数类似，dense_rank函数在生成序号时是连续的，而rank函数生成的序号有可能不连续。dense_rank函数出现相同排名时，将不跳过相同排名号，rank值紧接上一次的rank值。在各个分组内，rank()是跳跃排序，有两个第一名时接下来就是第四名，dense_rank()是连续排序，有两个第一名时仍然跟着第二名。
**借助实例能更直观地理解：**
假设现在有一张学生表student，学生表中有姓名、分数、课程编号
```sql
1: jdbc:hive2://localhost:10000> select * from student;
+-------------+---------------+----------------+-----------------+--+
| student.id | student.name | student.score | student.course |
+-------------+---------------+----------------+-----------------+--+
| 5 | elic | 70 | 1 |
| 4 | dock | 100 | 1 |
| 3 | clark | 80 | 1 |
| 2 | bob | 90 | 1 |
| 1 | alce | 60 | 1 |
| 10 | jacky | 80 | 2 |
| 9 | iris | 60 | 2 |
| 8 | hill | 70 | 2 |
| 7 | grace | 50 | 2 |
| 6 | frank | 70 | 2 |
+-------------+---------------+----------------+-----------------+--+
10 rows selected (0.115 seconds)
```
现在需要按照课程对学生的成绩进行排序：
```sql
--row_number() 顺序排序
select name,course,row_number() over(partition by course order by score desc) rank from student;
+--------+---------+-------+--+
| name | course | rank |
+--------+---------+-------+--+
| dock | 1 | 1 |
| bob | 1 | 2 |
| clark | 1 | 3 |
| elic | 1 | 4 |
| alce | 1 | 5 |
| jacky | 2 | 1 |
| frank | 2 | 2 |
| hill | 2 | 3 |
| iris | 2 | 4 |
| grace | 2 | 5 |
+--------+---------+-------+--+
```
```sql
--rank() 跳跃排序，如果有两个第一级别时，接下来是第三级别
select name,course,rank() over(partition by course order by score desc) rank from student；
+--------+---------+-------+--+
| name | course | rank |
+--------+---------+-------+--+
| dock | 1 | 1 |
| bob | 1 | 2 |
| clark | 1 | 3 |
| elic | 1 | 4 |
| alce | 1 | 5 |
| jacky | 2 | 1 |
| frank | 2 | 2 |
| hill | 2 | 2 |
| iris | 2 | 4 |
| grace | 2 | 5 |
+--------+---------+-------+--+
```
```sql
--dense_rank() 连续排序，如果有两个第一级别时，接下来是第二级别
select name,course,dense_rank() over(partition by course order by score desc) rank from student；
+--------+---------+-------+--+
| name | course | rank |
+--------+---------+-------+--+
| dock | 1 | 1 |
| bob | 1 | 2 |
| clark | 1 | 3 |
| elic | 1 | 4 |
| alce | 1 | 5 |
| jacky | 2 | 1 |
| frank | 2 | 2 |
| hill | 2 | 2 |
| iris | 2 | 3 |
| grace | 2 | 4 |
+--------+---------+-------+--+
10 rows selected (1.635 seconds)
```
**关于Parttion by：**
Parttion by关键字是Oracle中分析性函数的一部分，用于给结果集进行分区。它和聚合函数Group by不同的地方在于它只是将原始数据进行名次排列，能够返回一个分组中的多条记录（记录数不变），而Group by是对原始数据进行聚合统计，一般只有一条反映统计值的结果（每组返回一条）。
**TIPS：**
使用rank over()的时候，空值是最大的，如果排序字段为null, 可能造成null字段排在最前面，影响排序结果。
可以这样： rank over(partition by course order by score desc nulls last)
**总结：**
在使用排名函数的时候需要注意以下三点：
1、排名函数必须有 OVER 子句。
2、排名函数必须有包含 ORDER BY 的 OVER 子句。
3、分组内从1开始排序。
---
参考：
[Hive 学习（七） Hive之常用内置函数二](https://www.cnblogs.com/tashanzhishi/p/10904144.html)
[Hive笔记之collect_list/collect_set（列转行）](https://www.cnblogs.com/cc11001100/p/9043946.html)