作為一名數(shù)據(jù)小哥，在寫SQL的漫漫路上，窗口函數(shù)猶如一把披荊斬棘的利劍，幫助作者解決了很多繁瑣復(fù)雜的需求，在此對窗口函數(shù)表示感謝。

本文在介紹了窗口函數(shù)的同時(shí)，著重介紹Hive窗口函數(shù)的使用，希望讀者在看完本篇文章之后，對窗口函數(shù)的使用能夠有所掌握。

值得注意的是本文中的例子使用的是HQL（Hive SQL），本文需要一定的SQL基礎(chǔ)，如果想了解基礎(chǔ)SQL，請移步本人的數(shù)據(jù)分析師之快速掌握SQL基礎(chǔ) 。

兩個(gè)問題

對于數(shù)據(jù)工作者來說，窗口函數(shù)或多或少都使用過，但是可能沒有系統(tǒng)的去總結(jié)它的用法。

如果讀者對于窗口函數(shù)有一點(diǎn)了解的話，不妨先看看針對下表的兩個(gè)問題，如何使用SQL去解決；如果讀者對于窗口函數(shù)一點(diǎn)都不了解，那請您直接跳過這一部分，直接從什么是窗口函數(shù)開始閱讀。

針對上面一張學(xué)生成績表(class)，有year-學(xué)年，class-課程，student-學(xué)生，score-分?jǐn)?shù)這四個(gè)字段，請看問題：

問題1：每年每門學(xué)科排名第一的學(xué)生是？

問題2：每年總成績都有所提升的學(xué)生是？

對于問題1來說比較簡單，既可以使用聚合函數(shù)來統(tǒng)計(jì)，也可以使用窗口函數(shù)來統(tǒng)計(jì)，其中窗口函數(shù)給了兩種解法：

--使用聚合函數(shù) select?a.year,a.class,b.student from ( select?year,class,max(score)?as?max_score from?class group?by?year,class )?a?join?class?b? on?a.year?=?b.year?and?a.class?=?b.class? and?a.max_score?=?b.score order by a.year

執(zhí)行結(jié)果如下，如果有相同成績的話都會保留。

--使用窗口函數(shù)max select?a.year,a.class,a.student from ( select?year,class,score,student ,max(score)?over? (partition?by?year,class)?as?max_score? --增加一列為聚合后的最高分from?`class` )?a? where a.score = max_score --保留與最高分相同的記錄數(shù)

執(zhí)行結(jié)果如下，同樣的如果有相同記錄也會保留下來。

--使用窗口函數(shù)first_value select?distinct?year,class ,first_value(student)?over? (partition?by?year,class? order?by?score?desc)?as?student from class

執(zhí)行結(jié)果，需要注意的是如果有相同成績，只會取一條記錄。

對比兩種寫法可以發(fā)現(xiàn)：

? 使用窗口函數(shù)的SQL代碼量少

? 避免了與原表的join

對于問題2，是一個(gè)相對復(fù)雜但是比較常見的需求，無法只使用聚合函數(shù)來統(tǒng)計(jì)，只能配合窗口函數(shù)來統(tǒng)計(jì)。

select student from (select year,student,if((sum_score - lag(sum_score,1,0) over (partition by student order by year))?>?0,1,0)?as?flag,(sum_score - lag(sum_score,1,0) over (partition by student order by year)) as flag1--按照student進(jìn)行分區(qū)并進(jìn)行year正序排序--，找到每個(gè)學(xué)生的上一條學(xué)年總成績--，并與當(dāng)年成績相減，如果小于--，則將flag值置為1，否則置為0from(select year,student,sum(score) as sum_score --按照學(xué)年和學(xué)生進(jìn)行成績匯總from classgroup by year,student) a ) b group by student having avg(flag) = 1 --平均值為1則代表是每年都有增長

執(zhí)行結(jié)果：

通過上面兩個(gè)問題，可以對窗口函數(shù)的特征做一個(gè)簡單的小結(jié)：

? 聚合函數(shù)可以作為窗口函數(shù)使用

? 具有計(jì)算和取值的功能

? 不改變記錄數(shù)

什么是窗口函數(shù)

相信看了上面的兩個(gè)問題后，對窗口函數(shù)的使用有一個(gè)大概的了解。下面從理論方面來詳細(xì)了解下窗口函數(shù)。

理論

窗口函數(shù)也稱為OLAP（Online Analytical Processing）函數(shù)，是對一組值進(jìn)行操作，不需要使用Group by子句對數(shù)據(jù)進(jìn)行分組，還能在同一行返回原來行的列和使用聚合函數(shù)得到的聚合列。

那為什么叫窗口函數(shù)呢？因?yàn)榇翱诤瘮?shù)將表以窗口為單位進(jìn)行分割，并在其中進(jìn)行各種分析操作，為了讓大家快速形成直觀印象，才起了這樣一個(gè)容易理解的名稱。

SQL語法

<窗口函數(shù)>() OVER ([PARTITION BY <列清單>][ORDER BY <排序用清單列>] [ASC/DESC](ROWS | RANGE) <范圍條件> )

如上代碼所示，窗口函數(shù)的語法分為四個(gè)部分：

函數(shù)子句：指明具體操作，如sum-求和，first_value-取第一個(gè)值；

partition by子句：指明分區(qū)字段，如果沒有，則將所有數(shù)據(jù)作為一個(gè)分區(qū)；

order by子句：指明了每個(gè)分區(qū)排序的字段和方式,也是可選的，沒有就是按照表中的順序；

窗口子句：指明相對當(dāng)前記錄的計(jì)算范圍，可以向上（preceding），可以向下（following）,也可以使用between指明，上下邊界的值，沒有的話默認(rèn)為當(dāng)前分區(qū)。有些場景比較特殊，后文會講到這種場景。

窗口函數(shù)分類

下面的思維導(dǎo)圖基本包含了Hive所有的窗口函數(shù)，按照窗口函數(shù)的功能分為：計(jì)算、取值、排序、序列四種，前三種的使用場景比較常見，容易理解，最后一種(序列)的使用場景比較少。

窗口函數(shù)使用場景

介紹了這么多，那窗口函數(shù)到底可以幫我們做什么呢？

結(jié)合實(shí)際場景看看怎么用窗口函數(shù)來解決問題。下面針對不同的使用場景，將窗口函數(shù)的使用呈現(xiàn)給大家。所有例子的數(shù)據(jù)均來自下圖這張表。

用于輔助計(jì)算

主要的用法是在原有表的基礎(chǔ)上，增加一列聚合后的值，輔以后續(xù)的計(jì)算。

例如：統(tǒng)計(jì)出不同產(chǎn)品類型售價(jià)最高的產(chǎn)品。

具體代碼如下：

--使用窗口函數(shù)max select a.product_type,a.product_name from (select product_name,product_type,sale_price,max(sale_price) over (partition by product_type)?as?max_sale_price?--增加一列為聚合后的最高售價(jià)from product ) a where?a.sale_price?=?a.max_sale_price;? --保留與最高售價(jià)相同的記錄數(shù)

執(zhí)行結(jié)果：

幾乎所有的窗口函數(shù)都可以用于輔助計(jì)算。

累積計(jì)算

標(biāo)準(zhǔn)聚合函數(shù)作為窗口函數(shù)配合order by使用，可以實(shí)現(xiàn)累積計(jì)算。

例如：sum窗口函數(shù)配合order by，可以實(shí)現(xiàn)累積和。

具體代碼如下：

SELECT product_id,product_name,product_type,sale_price,SUM(sale_price) OVER (ORDER BY product_id)?AS?current_sum FROM?product;

執(zhí)行結(jié)果：

相應(yīng)的AVG窗口函數(shù)配合order by，可以實(shí)現(xiàn)累積平均，max可以實(shí)現(xiàn)累積最大值，min可以實(shí)現(xiàn)累積最小值，count則可以實(shí)現(xiàn)累積計(jì)數(shù)。注意，只有計(jì)算類的窗口函數(shù)可以實(shí)現(xiàn)累積計(jì)算。

這里提出一個(gè)問題，為什么增加了order by就可以實(shí)現(xiàn)累積計(jì)算呢？讀者可以停頓思考一下！

答案馬上揭曉：標(biāo)準(zhǔn)聚合函數(shù)作為窗口函數(shù)使用的時(shí)候，在指明order by的情況下，如果沒有Window子句，則Window子句默認(rèn)為：RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW(上邊界不限制，下邊界到當(dāng)前行)。

移動計(jì)算

移動計(jì)算是在分區(qū)和排序的基礎(chǔ)上，對計(jì)算范圍進(jìn)一步做出限定。

例如：按照產(chǎn)品ID排序，將最近3條的銷售價(jià)格進(jìn)行匯總平均。

具體代碼如下：

SELECT?product_id,product_name,sale_price,AVG(sale_price) over?(?ORDER?BY?product_id?rows?2?preceding?)?AS?moving_avg FROM product;

rows 2 preceding的意思就是“截止到之前2行”。也就是將作為匯總對象的記錄限定為如下的最靠近的3行。

執(zhí)行結(jié)果如下：

使用關(guān)鍵字FOLLOWING(“之后”）替換PRECEDING，就可以指定截止到之后~行。

取任一字段值

取值的窗口函數(shù)有：first_value/last_value、lag/lead，其中first_value和lag在開篇的例子中已經(jīng)使用到了，這里就不舉例說明了。只細(xì)化說明下他們的語法。

first_value(字段名)-取出分區(qū)中的第一條記錄的任意一個(gè)字段的值，可以排序也可以不排序，此處也可以進(jìn)一步指明Window子句。

lag(字段名,N,默認(rèn)值)-取出當(dāng)前行之上的第N條記錄的任意一個(gè)字段的值，這里的N和默認(rèn)值都是可選的，默認(rèn)N為1，默認(rèn)值為null。

排序

排序?qū)?yīng)的四個(gè)窗口函數(shù)為：rank、dense_rank、row_number、ntitle

rank：計(jì)算排序時(shí)，如果存在相同位次的記錄，則會跳過之后的位次。

e.g. 有三條記錄排在第1位時(shí)：1位、1位、1位、4位......

dense_rank：計(jì)算排序時(shí)，即使存在相同位次的記錄，也不會跳過之后的位次。

e.g. 有三條記錄排在第1位時(shí)：1位、1位、1位、2位......

row_number：賦予唯一的連續(xù)位次。

e.g. 有三條記錄排在第1位時(shí)：1位、2位、3位、4位...

ntitle：用于將分組數(shù)據(jù)按照順序切分成n片，返回當(dāng)前切片值

e.g. 對于一組數(shù)字（1，2，3，4，5，6），ntile(2)切片后為（1，1，1，2，2，2）

1）統(tǒng)計(jì)所有產(chǎn)品的售價(jià)排名

具體代碼如下：

SELECT?product_name,product_type,sale_price,RANK?()?OVER?(ORDER?BY?sale_price?)?AS?ranking FROM product;

執(zhí)行結(jié)果如下：

2）統(tǒng)計(jì)各產(chǎn)品類型下各產(chǎn)品的售價(jià)排名

具體代碼如下：

SELECT?product_name,product_type,sale_price,RANK?()?OVER?(PARTITION?BY?product_type?ORDER?BY?sale_price?)?AS?ranking FROM product;

執(zhí)行結(jié)果如下：

對比一下dense_rank、row_number、ntile

具體代碼如下：

SELECT product_name,product_type,sale_price,RANK () OVER (ORDER BY sale_price) AS ranking,DENSE_RANK () OVER (ORDER BY sale_price) AS dense_ranking,ROW_NUMBER () OVER (ORDER BY sale_price) AS row_num,ntile(3) OVER (ORDER BY sale_price) as nt1,ntile(30) OVER (ORDER BY sale_price) as nt2 --切片大于總記錄數(shù) FROM?product;

執(zhí)行結(jié)果如下：

從結(jié)果可以發(fā)現(xiàn)，當(dāng)ntile(30)中的切片大于了總記錄數(shù)時(shí)，切片的值為記錄的序號。

序列

序列中的兩個(gè)窗口函數(shù)cume_dist和percent_rank，通過實(shí)例來看看它們是怎么使用的。

1）統(tǒng)計(jì)小于等于當(dāng)前售價(jià)的產(chǎn)品數(shù)，所占總產(chǎn)品數(shù)的比例

具體代碼如下：

SELECT product_type,product_name,sale_price, CUME_DIST() OVER(ORDER BY sale_price) AS rn1, CUME_DIST() OVER (PARTITION BY product_type ORDER BY sale_price )?AS?rn2? FROM?product;

執(zhí)行結(jié)果如下：

rn1: 沒有partition,所有數(shù)據(jù)均為1組，總行數(shù)為8，

? ? ?第一行：小于等于100的行數(shù)為1，因此，1/8=0.125

? ? ?第二行：小于等于500的行數(shù)為3，因此，3/8=0.375

rn2: 按照產(chǎn)品類型分組，product_type=廚房用品的行數(shù)為4,

? ? ?第三行：小于等于500的行數(shù)為1，因此，1/4=0.25

2）統(tǒng)計(jì)每個(gè)產(chǎn)品的百分比排序

當(dāng)前行的RANK值-1/分組內(nèi)總行數(shù)-1

具體代碼如下：

SELECT product_type,product_name,sale_price, percent_rank() OVER (ORDER BY sale_price) AS rn1, percent_rank() OVER (PARTITION BY product_type ORDER BY sale_price )??AS?rn2? FROM?product;

執(zhí)行結(jié)果如下：

rn1: 沒有partition,所有數(shù)據(jù)均為1組，總行數(shù)為8，

第一行：排序?yàn)?，因此，（1-1）/（8-1）= 0

第二行：排序?yàn)?，因此，（2-1）/（8-1）= 0.14

rn2: 按照產(chǎn)品類型分組，product_type=廚房用品的行數(shù)為4,

第三行：排序?yàn)?，因此，（1-1）/（4-1）= 0

第四行：排序?yàn)?，因此，（2-1）/（4-1）= 0.33

總結(jié)

以上介紹了Hive中窗口函數(shù)的幾乎所有的使用場景，每種函數(shù)的用法也配合代碼進(jìn)行講解，相信大家看了本文后，在實(shí)際數(shù)據(jù)工作中對于窗口函數(shù)的使用肯定會得心應(yīng)手。

總結(jié)

以上是生活随笔為你收集整理的Hive窗口函数进阶指南的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。