sql - Hive 中的窗口函数

Question

我正在探索 Hive 中的窗口函数，并且能够理解所有 UDF 的功能。虽然，我无法理解我们与其他函数一起使用的 partition by 和 order by。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; 

只是试图了解这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中的每一行分配一个排名。

PARTITION BY子句确定行的分布方式（如果是 hive，则在减速器之间）。

ORDER BY确定行在分区中的排序方式。

第一阶段由 分布，数据集中的所有行都分布到分区中。在 map-reduce 中，每个映射器根据 对行进行分组，partition by并为每个分区生成文件。Mapper 根据order by.

第二阶段，所有行都在每个分区内排序。在map-reduce中，每个reducer获取mapper产生的分区文件（partitions的一部分），并根据order by.

第三，rank 函数为分区中的每一行分配排名。正在为每个分区初始化 Rank 函数。

对于分区等级中的第一行，从 1 开始。对于下一行Rank=previous row rank+1。具有相同值的行（按顺序指定）给定相同的排名，如果两行共享相同的排名，则下一行排名不连续。

不同的分区可以在不同的reducer上并行处理。小分区可以在同一个reducer上处理。Rank 函数在跨越分区边界时重新初始化，并从每个分区的 rank=1 开始。

示例（行已在分区内分区和排序）：

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

如果您需要连续排名，请使用dense_rank函数。dense_rank将为上述数据集中的第三行生成 rank=2。

row_number函数将从 1 开始为分区中的每一行分配一个位置编号。具有相同值的行将收到不同的连续编号。

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

重要提示：对于具有相同值row_number或其他此类分析函数的行，可能具有不确定的行为，并且每次运行都会产生不同的数字。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，因为它们的顺序是不确定的，除非您在子句中再添加一个列a 。order by在这种情况下，从运行到运行，所有行将始终具有相同的 row_number，它们的顺序值是不同的。