Hive 分析函数lead、lag实例应用

Hive的分析函数又叫窗口函数，在oracle中就有这样的分析函数，主要用来做数据统计分析的。

Lag和Lead分析函数可以在同一次查询中取出同一字段的前N行的数据(Lag)和后N行的数据(Lead)作为独立的列。
这种操作可以代替表的自联接，并且LAG和LEAD有更高的效率，其中over()表示当前查询的结果集对象，括号里面的语句则表示对这个结果集进行处理。

 

函数介绍

LAG

LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值
参数1为列名，参数2为往上第n行（可选，默认为1），参数3为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）

LEAD

与LAG相反
LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值
参数1为列名，参数2为往下第n行（可选，默认为1），参数3为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）

 

场景

问题

用户Peter在浏览网页，在某个时刻，Peter点进了某个页面，过一段时间后，Peter又进入了另外一个页面，如此反复，那怎么去统计Peter在某个特定网页的停留时间呢，又或是怎么统计某个网页用户停留的总时间呢？

数据准备

现在用户的行为都被采集了，处理转换到hive数据表，表结构如下：

create table test.user_log(
    userid string,
    time string,
    url string
) row format delimited fields terminated by ',';

记录数据：

+------------------+----------------------+---------------+--+
| user_log.userid  |    user_log.time     | user_log.url  |
+------------------+----------------------+---------------+--+
| Peter            | 2015-10-12 01:10:00  | url1          |
| Peter            | 2015-10-12 01:15:10  | url2          |
| Peter            | 2015-10-12 01:16:40  | url3          |
| Peter            | 2015-10-12 02:13:00  | url4          |
| Peter            | 2015-10-12 03:14:30  | url5          |
| Marry            | 2015-11-12 01:10:00  | url1          |
| Marry            | 2015-11-12 01:15:10  | url2          |
| Marry            | 2015-11-12 01:16:40  | url3          |
| Marry            | 2015-11-12 02:13:00  | url4          |
| Marry            | 2015-11-12 03:14:30  | url5          |
+------------------+----------------------+---------------+--+

分析步骤

获取用户在某个页面停留的起始与结束时间

select userid,
       time stime,
       lead(time) over(partition by userid order by time) etime,
       url
  from test.user_log;

结果：

+---------+----------------------+----------------------+-------+--+
| userid  |        stime         |        etime         |  url  |
+---------+----------------------+----------------------+-------+--+
| Marry   | 2015-11-12 01:10:00  | 2015-11-12 01:15:10  | url1  |
| Marry   | 2015-11-12 01:15:10  | 2015-11-12 01:16:40  | url2  |
| Marry   | 2015-11-12 01:16:40  | 2015-11-12 02:13:00  | url3  |
| Marry   | 2015-11-12 02:13:00  | 2015-11-12 03:14:30  | url4  |
| Marry   | 2015-11-12 03:14:30  | NULL                 | url5  |
| Peter   | 2015-10-12 01:10:00  | 2015-10-12 01:15:10  | url1  |
| Peter   | 2015-10-12 01:15:10  | 2015-10-12 01:16:40  | url2  |
| Peter   | 2015-10-12 01:16:40  | 2015-10-12 02:13:00  | url3  |
| Peter   | 2015-10-12 02:13:00  | 2015-10-12 03:14:30  | url4  |
| Peter   | 2015-10-12 03:14:30  | NULL                 | url5  |
+---------+----------------------+----------------------+-------+--+

计算用户在页面停留的时间间隔（实际分析当中，这里要做数据清洗工作，如果一个用户停留了4、5个小时，那这条记录肯定是不可取的。）

select userid,
       time stime,
       lead(time) over(partition by userid order by time) etime,
       UNIX_TIMESTAMP(lead(time) over(partition by userid order by time),'yyyy-MM-dd HH:mm:ss')- UNIX_TIMESTAMP(time,'yyyy-MM-dd HH:mm:ss') period,
       url
  from test.user_log;

结果：

+---------+----------------------+----------------------+---------+-------+--+
| userid  |        stime         |        etime         | period  |  url  |
+---------+----------------------+----------------------+---------+-------+--+
| Marry   | 2015-11-12 01:10:00  | 2015-11-12 01:15:10  | 310     | url1  |
| Marry   | 2015-11-12 01:15:10  | 2015-11-12 01:16:40  | 90      | url2  |
| Marry   | 2015-11-12 01:16:40  | 2015-11-12 02:13:00  | 3380    | url3  |
| Marry   | 2015-11-12 02:13:00  | 2015-11-12 03:14:30  | 3690    | url4  |
| Marry   | 2015-11-12 03:14:30  | NULL                 | NULL    | url5  |
| Peter   | 2015-10-12 01:10:00  | 2015-10-12 01:15:10  | 310     | url1  |
| Peter   | 2015-10-12 01:15:10  | 2015-10-12 01:16:40  | 90      | url2  |
| Peter   | 2015-10-12 01:16:40  | 2015-10-12 02:13:00  | 3380    | url3  |
| Peter   | 2015-10-12 02:13:00  | 2015-10-12 03:14:30  | 3690    | url4  |
| Peter   | 2015-10-12 03:14:30  | NULL                 | NULL    | url5  |
+---------+----------------------+----------------------+---------+-------+--+

计算每个页面停留的总时间，某个用户访问某个页面的总时间

select nvl(url,'-1') url,
       nvl(userid,'-1') userid,
       sum(period) totol_peroid from (
select userid,
       time stime,
       lead(time) over(partition by userid order by time) etime,
       UNIX_TIMESTAMP(lead(time) over(partition by userid order by time),'yyyy-MM-dd HH:mm:ss')- UNIX_TIMESTAMP(time,'yyyy-MM-dd HH:mm:ss') period,
       url
  from test.user_log
) a group by url, userid with rollup;

结果：

+-------+---------+---------------+--+
|  url  | userid  | totol_peroid  |
+-------+---------+---------------+--+
| -1    | -1      | 14940         |
| url1  | -1      | 620           |
| url1  | Marry   | 310           |
| url1  | Peter   | 310           |
| url2  | -1      | 180           |
| url2  | Marry   | 90            |
| url2  | Peter   | 90            |
| url3  | -1      | 6760          |
| url3  | Marry   | 3380          |
| url3  | Peter   | 3380          |
| url4  | -1      | 7380          |
| url4  | Marry   | 3690          |
| url4  | Peter   | 3690          |
| url5  | -1      | NULL          |
| url5  | Marry   | NULL          |
| url5  | Peter   | NULL          |
+-------+---------+---------------+--+