合作专线:17362615757
行业资讯

AI科技

当前位置:首页 > 行业资讯 > AI科技

去去学习几个简单的Hive函数吧!

作者 | 石晓文转载自小小挖掘机(ID:wAIsjwj)咳咳,今天来介绍一下几个Hive函数吧,先放一张我登哥划水的照片,希望大家也做一只自由的鱼儿,在知识的海洋里游呀游,嘻嘻!
今天我们来介绍几个Hive常用的函数吧!
1、数据介绍
首先我们产生我们的数据,使用spark sql来产生吧: val data = Seq[(String,String)]( ("{\"userid\":\"1\",\"action\":\"0#222\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"1#223\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"2#224\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"1#225\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"2#225\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"0#226\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"1#227\"}","20180131"), ("{\"userid\":\"1\",\"action\":\"2#228\"}","20180131"), ("{\"userid\":\"2\",\"action\":\"0#223\"}","20180131"), ("{\"userid\":\"2\",\"action\":\"1#224\"}","20180131"), ("{\"userid\":\"2\",\"action\":\"1#225\"}","20180131"), ("{\"userid\":\"2\",\"action\":\"2#228\"}","20180131") ).toDF("info","dt").write.saveAsTable("test.sxw_testRowNumber")
为了模拟我们的hive函数,我们特地将info字段写成了一个json格式,info中有两个键值对,一个是user_id,另一个是用户的行为,行为中有两个数据,用#隔开,分别是动作的类型和动作发生的时间。我们可以这样认为,0代表百度首页,1代表进行了一次搜索的搜索结果页,2代表查看搜索结果中国年的某个详情页。从一次动作0 到 下一次动作0,我们可以认为这是用户和百度一次完整的交互,即一次session,从一次动作1到下一次动作1,可以认为是一次完整的搜索操作。另一个字段是dt,即我们的分区字段。我们用简单的查询语句来看一下我们的数据效果:select * from test.sxw_testRowNumber where dt=20180131
结果如下:
2、常用的Hive函数
▌2.1 get_json_object
我们使用get_json_object来解析json格式字符串里面的内容,格式如下:get_json_object(字段名,'$.key')
这里,我们来解析info中的userid和action:select get_json_object(info,'$.userid') as user_id, get_json_object(info,'$.action') as action from test.sxw_testRowNumber where dt=20180131
结果如下:
▌2.2 字符串替换函数
字符串替换函数格式如下:regexp_replace(字段名, 被替换的内容, 替换为的内容)
这里我们是可以写正则表达式来替换的,比如我们想把#和数字都替换成大写字母Y:select regexp_replace(info,'[\\d#]','Y') as info from test.sxw_testRowNumber where dt=20180131
在上面的语句中,我们用了两个\,因为这里\需要进行转义。结果为:
▌2.3 字符串切分函数
字符串切分函数split,很像我们java、python中写的那样,格式如下:split(字段名,分割字符)
split分割后返回一个数组,我们可以用下标取出每个元素。我们把action里面的动作类型和动作时间使用split分割开,语句如下:select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131结果如下:
▌2.4 取字串
取字串使用substring方法,格式如下:substring(字段名,开始位置,提取长度)
这里,如果我们想吧info中前后的大括号去掉,可以使用substring,语句如下:select substring(info,2,length(info)-2) as info from test.sxw_testRowNumber where dt=20180131你可能会问,为什么开始位置是从2开始的而不是1,因为hive中字符串的索引是从1开始的而不是0,同时,我们谁用length方法来计算字符串的长度,结果如下:
▌2.5 有条件计数
有条件计数使用count函数结合case when then语法来实现,比如我们要计算每个用户有多少个session,语句如下:select get_json_object(info,'$.userid') as user_id, count(case when split(get_json_object(info,'$.action'),'#')[0]=='0' then 1 else null end) as session_count from test.sxw_testRowNumber where dt=20180131 group by get_json_object(info,'$.userid')
结果如下:
3、分组排序函数
上面的几个函数都只是简单的开胃菜,接下来我们来介绍一下重头戏,分组排序函数以及它的两个衍生的函数,row_number() over的格式如下:row_Number() OVER (partition by 分组字段 ORDER BY 排序字段 排序方式asc/desc)
简单的说,我们使用partition by后面的字段对数据进行分组,在每个组内,使用ORDER BY后面的字段进行排序,并给每条记录增加一个排序序号。比如,我们根据每个用户每条记录的发生时间对用户的行为进行排序,并添加一个序号:select * row_number() over(partition by user_id order by action_ts asc) as tnfrom ( select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131 ) as t
执行结果如下:
可以看到,我们已经成功给用户的行为添加了发生序号。除了row_number以外,我们还有两个函数,分别是lag(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) lead(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式)
lag括号里理由两个参数,第一个是字段名,第二个是数量N,这里的意思是,取分组排序之后比该条记录序号小N的对应记录的指定字段的值,如果字段名为ts,N为1,就是取分组排序之后上一条记录的ts值。lead括号里理由两个参数,第一个是字段名,第二个是数量N,这里的意思是,取分组排序之后比该条记录序号大N的对应记录的对应字段的值,如果字段名为ts,N为1,就是取分组排序之后下一条记录的ts值。比如,我们用lag和lead分别记录用户上一次行为和下一次行为的发生时间,语句如下:select *, row_number() over(partition by user_id order by action_ts asc) as tn, lag(action_ts,1) over(partition by user_id order by action_ts asc) as prev_ts, lead(action_ts,1) over(partition by user_id order by action_ts asc) as next_tsfrom ( select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131 ) as t
结果如下:
接下来,我们想实现下面的功能:给每条记录添加一列,该列代表此次session的开始时间。
前面我们介绍过,我们这里认为一次session是从一个action_type为0开始,到下一次action_type为0结束,也就是说,我们这里的数据有三个session,前5条记录是一个session,这五条记录的新列的值应给为222,同理,中间三条记录的新列的值应改为226,而最后四条记录的值应为223,那么如何实现这个功能呢,这就需要我们的lag和lead函数啦。语句如下:select t2.user_id, t2.action_type, t2.action_ts, t1.action_ts as session_tsfrom( select *, lead(action_ts,1) over(partition by user_id order by action_ts asc) as next_tsfrom ( select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131 and split(get_json_object(info,'$.action'),'#')[0] == '0' ) as t ) t1 inner join ( select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131 ) t2on t1.user_id = t2.user_idwhere( t2.action_ts >= t1.action_ts and t2.action_ts < t1.next_ts)or ( t2.action_ts >= t1.action_ts and t1.next_ts is null )我们来一步步剖析一下该过程的实现,首先,我们在子查询中实现了两个表的内链接。第一个子查询查询出所有session开始的action_ts以及它对应的下一个session开始的action_ts,使用lead实现:select *, lead(action_ts,1) over(partition by user_id order by action_ts asc) as next_tsfrom ( select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131 and split(get_json_object(info,'$.action'),'#')[0] == '0' ) as t
第二个子查询,将简单的进行一下解析:select get_json_object(info,'$.userid') as user_id, split(get_json_object(info,'$.action'),'#')[0] as action_type, split(get_json_object(info,'$.action'),'#')[1] as action_ts from test.sxw_testRowNumber where dt=20180131
随后,我们根据两个表的user_id进行内链接,但是内链接之后会多出很多数据,我们要从中取出满足条件的,这里的条件有两个,满足其一即可,即记录的ts在两个session开始的ts之间,要么就没有后一个session:where( t2.action_ts >= t1.action_ts and t2.action_ts < t1.next_ts)or ( t2.action_ts >= t1.action_ts and t1.next_ts is null )
最终的结果如下:
(*本文为 AI科技大本营转载文章,转载请联系原作者)
◆精彩推荐◆

想跟NVIDIA专业讲师学习TensorRT吗?扫码进群,获取报名地址,群内优秀提问者可获得限量奖品(定制T恤或者技术图书,包邮哦~)
NVIDIA TensorRT是一种高性能深度学习推理优化器和运行时加速库,可以为深度学习推理应用程序提供低延时和高吞吐量。通过TensorRT,开发者可以优化神经网络模型,以高精度校对低精度,最后将模型部署到超大规模数据中心、嵌入式平台或者汽车产品平台中。


推荐阅读
不让华为收专利费?美议员提案“秀下限”解密Kernel:为什么适用任何机器学习算法?Python助你叠猫猫,抢618大红包!Python异常处理,3个好习惯分享给你不是码农,不会敲代码的她,却最懂程序员!| 人物志一张图告诉你到底学Python还是Java!这位博士跑赢“地震波”:提前 10 秒预警宜宾地震!10分钟读懂什么是容器云?第二! 他排中本聪与V神中间, 单靠文字就“打败”了敲代码的程序员!
你点的每个“在看”,我都认真当成了喜欢
粤ICP备19111974号