数据统计分析时常用sql语句 (split , row_number , group by, max 等 )

统计分析及建表过程中通常会遇到这样的需求，比如：

1. 统计以逗号分隔的标签数，哪个最受欢迎，以及作为内容推荐的数据来源

2. 分组排序url的pv, 取topN的列表

3. 经常会有名字重复的url记录，取pv最大的那条, 剩下的剔除

 

下面逐一对以上场景进行总结， 用的是 hivesql，希望有同样需求的同学可以快速应用，如果有不对的地方还请指正：） 

 

1. 统计以逗号分隔的标签数，哪个最受欢迎

hive表中tag列经常是这样的

--统计以逗号分隔的tags的分布

--其中tags是你打算展开的原先以逗号分隔的那一列，
--tags_split 是展成多行后的每个tag组成的列, 
--alias是别名，可以自己任意定
--然后group by, 统计个数分布 

select tags_split,count(*) as n from 
(
select tags_split 
from table1
LATERAL VIEW explode(split(tags,",")) alias AS tags_split
where date = '20141119'
)a
group by tags_split
order by n desc;

 

2. 分组排序url的pv, 取topN的列表

 

--首先统计下pv大于100的url及对应的pv


select url, url_name, host, count(*) as pv 
from table1 a
where date = '20141119'
group by url, url_name, host
having count(*) > 100

 

--如果还想按同一域名下url取pv倒序后的top20,可以这样写

select * 
from 
(
select *, 
ROW_NUMBER ( ) OVER (partition by host order by pv desc)  as host_pv_rank  
from
(
select url, url_name, host, count(*) as pv 
from table1 a
where date = '20141119'
group by url, url_name, host
having count(*) > 100
)a 
)a 
where host_pv_rank <= 20 
order by host_pv_rank;

 

3. 经常会有名字重复的url记录，要取pv最大的那条, 剩下的剔除

 
方法1：在没有row_number函数的情况下：

select 
source.*,
case when dup.pv_max is null then 0 else 1 end as no_dup_flag 
--如果找不到即为重复的，只有最大的那个是1

from 
(
select url, url_name, count(*) as pv 
from table1 a
where date = '20141119'
group by url ,url_name
having count(*) > 100
)source 

left outer join 
(
select url_name, max(pv) as pv_max from 
(
select url, url_name, count(*) as pv 
from table1 a
where date = '20141119'
group by url, url_name
having count(*) > 100
)a 
group by url_name
)dup

on source.url_name = dup.url_name
and source.pv = dup.pv_max  

--与最大的那条记录通过 url_name
--与最大那条的pv进行关联，只有url_name与pv同时相等才能关联得上
--否则就是重名的但pv小的记录，我们这里将重复的记录标记出来

 

方法2：在有row_number函数的情况下：

select 
source.*,
ROW_NUMBER ( ) OVER (partition by url_name order by pv desc)  as dup_flag
-- dup_flag > 1 即为重复的
from 
(
select url, url_name, count(*) as pv 
from table1 a
where date = '20141119'
group by url ,url_name
having count(*) > 100
)source 

 经测试，方法2要快很多（因为没有了求max 和 join的操作）

sql作为流行的查询语言，不管是hive, 还是spark, 都对sql有很好的支持，

与此同时，像item based推荐等复杂一些的模型算法，也可以通过sql的方式很方便地解决，

楼主感觉掌握好sql，对日常的统计分析工作，快速验证数据准确性，快速展现设计结果，甚至对产品优化改进都很有帮助，

所以大家一起努力学习吧：）