Hive 窗口函数使用（1）

一、窗口函数
官方文档地址：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics
oracle,sqlserver都提供了窗口函数，但是在mysql5.5和5.6都没有提供窗口函数！

窗口函数： 窗口+函数
窗口： 函数运行时计算的数据集的范围
函数： 运行的函数！
仅仅支持以下函数：
Windowing functions：
LEAD:
LEAD (scalar_expression [,offset] [,default])： 返回当前行以下N行的指定列的列值！
如果找不到，就采用默认值
LAG:
LAG (scalar_expression [,offset] [,default])： 返回当前行以上N行的指定列的列值！
如果找不到，就采用默认值
FIRST_VALUE:
FIRST_VALUE(列名,[false(默认)])： 返回当前窗口指定列的第一个值，
第二个参数如果为true,代表加入第一个值为null，跳过空值，继续寻找！
LAST_VALUE:
LAST_VALUE(列名,[false(默认)])： 返回当前窗口指定列的最后一个值，
第二个参数如果为true,代表加入第一个值为null，跳过空值，继续寻找！
统计类的函数(一般都需要结合over使用)： min,max,avg,sum,count
排名分析：
RANK
ROW_NUMBER
DENSE_RANK
CUME_DIST
PERCENT_RANK
NTILE

注意：不是所有的函数在运行都是可以通过改变窗口的大小，来控制计算的数据集的范围！
所有的排名函数和LAG,LEAD，支持使用over()，但是在over()中不能定义 window_clause

格式： 函数 over( partition by 字段 ,order by 字段 window_clause )


窗口的大小可以通过windows_clause来指定：
(rows | range) between (unbounded | [num]) preceding and ([num] preceding | current row | (unbounded | [num]) following)
(rows | range) between current row and (current row | (unbounded | [num]) following)
(rows | range) between [num] following and (unbounded | [num]) following

特殊情况： ①在over()中既没有出现windows_clause，也没有出现order by，窗口默认为rows between UNBOUNDED PRECEDING and UNBOUNDED FOLLOWING
②在over()中(没有出现windows_clause)，指定了order by，窗口默认为rows between UNBOUNDED PRECEDING and CURRENT ROW

窗口函数和分组有什么区别？
①如果是分组操作，select后只能写分组后的字段
②如果是窗口函数，窗口函数是在指定的窗口内，对每条记录都执行一次函数
③如果是分组操作，有去重效果，而partition不去重！

business.name | business.orderdate | business.cost

(9) 查询前20%时间的订单信息
精确算法：
select *
from
(select name,orderdate,cost,cume_dist() over(order by orderdate ) cdnum
from business) tmp
where cdnum<=0.2

不精确计算：
select *
from
(select name,orderdate,cost,ntile(5) over(order by orderdate ) cdnum
from business) tmp
where cdnum=1



(8)查询顾客的购买明细及顾客最近三次cost花费

最近三次： 当前和之前两次 或 当前+前一次+后一次

当前和之前两次:
select name,orderdate,cost,sum(cost) over(partition by name order by orderdate rows between 2 PRECEDING and CURRENT row)
from business

当前+前一次+后一次:
select name,orderdate,cost,sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and 1 FOLLOWING)
from business

或
select name,orderdate,cost,cost+
lag(cost,1,0) over(partition by name order by orderdate )+
lead(cost,1,0) over(partition by name order by orderdate )
from business

(7) 查询顾客的购买明细及顾客本月最后一次购买的时间
select name,orderdate,cost,LAST_VALUE(orderdate,true) over(partition by name,substring(orderdate,1,7) order by orderdate rows between CURRENT row and UNBOUNDED FOLLOWING)
from business


(6) 查询顾客的购买明细及顾客本月第一次购买的时间
select name,orderdate,cost,FIRST_VALUE(orderdate,true) over(partition by name,substring(orderdate,1,7) order by orderdate )
from business


(5) 查询顾客的购买明细及顾客下次的购买时间
select name,orderdate,cost,lead(orderdate,1,'无数据') over(partition by name order by orderdate )
from business

（4）查询顾客的购买明细及顾客上次的购买时间
select name,orderdate,cost,lag(orderdate,1,'无数据') over(partition by name order by orderdate )
from business



（3）查询顾客的购买明细要将cost按照日期进行累加
select name,orderdate,cost,sum(cost) over(partition by name order by orderdate )
from business


（2）查询顾客的购买明细及月购买总额

select name,orderdate,cost,sum(cost) over(partition by name,substring(orderdate,1,7) )
from business

（1）查询在2017年4月份购买过的顾客及总人数

count()在分组后，统计一个组内所有的数据！

传统写法： 效率低
with tmp as (select name
from business
where year(orderdate)=2017 and month(orderdate)=4
group by name)

select tmp.name,tmp1.totalcount
from
(select count(*) totalcount
from tmp ) tmp1 join tmp;

---------------
select name,count(*) over(rows between UNBOUNDED PRECEDING and UNBOUNDED FOLLOWING)
from business
where substring(orderdate,1,7)='2017-04'
group by name

等价于

select name,count(*) over()
from business
where substring(orderdate,1,7)='2017-04'
group by name