HIVE中row_number函数的描述与使用场景

最新推荐文章于 2024-12-25 22:34:22 发布

chiyxme

最新推荐文章于 2024-12-25 22:34:22 发布

阅读量584

点赞数

CC 4.0 BY-SA版权

分类专栏： HIVE 文章标签： sql hivesql hive row_number

本文链接：https://blog.youkuaiyun.com/chiyxme/article/details/84233282

HIVE 专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了如何使用SQL和HiveSQL实现数据分组后，根据特定条件筛选出每种分类下的前两条最高值记录，通过实例展示了分区、排序和窗口函数的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

假设一个场景：存在表user_score,该表的数据如下
[table]
|id|rate|score|
|1|'0-4'|10|
|2|'0-4'|40|
|3|'0-4'|30|
|4|'0-4'|20|
|5|'5-10'|10|
|6|'5-10'|40|
|7|'5-10'|30|
|8|'5-10'|20|
|9|'11-20'|10|
|10|'11-20'|40|
|11|'11-20'|30|
|12|'11-20'|20|
[/table]
现在要求用一条查询语句取出每种rate下score最大的两条记录，也就算取出id为：2，3，6，7，10，11的记录，要求分别给出SQL和HIVESQL的查询语句

以下是我的想到的方案：

SQL：对user_score根据rate进行分区后根据score进行倒序排序，然后应用row_number函数于每个分区从而筛选出每个分区的前两条记录。


WITH pus AS (
 SELECT *, rid = ROW_NUMBER() OVER 
 (PARTITION BY rete ORDER BY score DESC) FROM user_score
)

SELECT id, rate, score FROM pus WHERE rid <= 2

HIVESQL: HIVE中不存在以上SQL的那种实现方式，ROW_NUMBER（）在HIVE中是一个函数，必须带一个或者多个列参数，如ROW_NUMBER(col1, ....)，它的作用是按指定的列进行分组生成行序列，在ROW_NUMBER(a,b) 时，若两条记录的a，b列相同，则行序列+1，否则重新计数。因为HIVE是基于MAPREADUCE的，必须保证ROW_NUMBER执行是在REDUCE中，并且ROW_NUMBER中使用的列中，列值相同的记录要再同一个reduce中，否则ROW_NUMBER的行为是无意义的。


 SELECT id, rate, score FROM(SELECT * FROM user_score DISTRIBUTE BY rate SORT BY rete ASC, score DESC) WHERE ROW_NUMBER(rete) <= 2

这里有两点需要说明：
[list]
[*]使用子查询保证ROW_NUMBER在reduce端执行。
[*]使用BY rate SORT BY rete ASC, score DESC 来保证rate相同的记录被分配到相同的REDUCE中。
[/list]