Spark/Hive采样

博客介绍了Hive和Spark的数据抽样方法。Hive有数据块取样和分桶表取样,分桶表抽样扫描相应桶数据,未分桶表抽样需扫描整表,建议先分桶再抽样。Spark有sample和takeSample方法,sample可设置抽样是否放回、比例和随机数种子,takeSample返回数组,适用于结果数组小的情况。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Hive

数据块取样
hive数据块采样
SELECT * FROM T TABLESAMPLE (50 PERCENT);
SELECT * FROM T TABLESAMPLE (30M);


分桶表取样
SELECT *
FROM T TABLESAMPLE (BUCKET 1 OUT OF 10 ON rand());

SELECT * FROM T TABLESAMPLE(BUCKET 1 OUT OF 10 ON id);

如果源表是已经分桶的表抽样,查询只会扫描相应桶中的数据,而基于未分桶表的抽样,查询时候需要扫描整表数据,先分桶,再抽样。

Spark

sample

sample(false, 0.5, System.currentTimeMillis());
对RDD进行抽样,其中参数withReplacement为true时表示抽样之后还放回,可以被多次抽样,false表示不放回;fraction表示抽样比例;seed为随机数种子,比如当前时间戳
第三个参数可以不填


takeSample

返回一个Array[T]; 
该方法仅在预期结果数组很小的情况下使用,因为所有数据都被加载到driver的内存中。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值