HiveSQL题——炸裂函数(explode/posexplode)
目录
一、炸裂函数的知识点
1.1 炸裂函数
explode
posexplode
1.2 lateral view 侧写视图
二、实际案例
2.1 每个学生及其成绩
0 问题描述
1 数据准备
2 数据分析
3 小结
2.2 日期交叉问题
0 问题描述
1 数据准备
2 数据分析
3 小结
2.3 用户消费金额
0 问题描述
1 数据准备
2 数据分析
3 小结
一、炸裂函数的知识点
炸裂函数(一行变多行)本质属于UDTF函数(接收一行数据,输出一行或者多行数据)。
1.1 炸裂函数
-
explode
(1)explode(array a) --> explode针对数组进行炸裂 语法:lateral view explode(split(a,',')) tmp as new_column 返回值:string 说明:按照分隔符切割字符串,并将数组中内容炸裂成多行字符串 举例:select student_score from test lateral view explode(split(student_score,',')) tmp as item; 输出结果为: student_score item [a,b,c] => a b c (2)explode(map m) --> explode针对map键值对进行炸裂 举例:select explode(map('a',1,'b',2,'c',3)) as (key,value); 输出结果为: 得到 key value {a:1,b:2,c:3} => a 1 b 2 c 3
-
posexplode
posexplode和explode之间的区别:posexplode除了返回数据,还会返回该值的下角标。 (1)posexplode(array a) 语法:lateral view posexploed(split(a,',')) tmp as pos,item 返回值:string 说明:按照分隔符切割字符串,并将数组中内容炸裂成多行字符串(炸裂具备下角标 0,1,2,3) 举例1:select posexplode (array('a','b','c')) as pos,item; 输出结果为: pos item [a,b,c] => 0 a 1 b 2 c --------------------------------- 举例2:对student_name进行炸裂,同时也对student_score进行炸裂,且需要保证炸裂后,学生和成绩一一对应,不能错乱。 lateral view posexplode(split(student_name,',')) tmp1 as student_name_index,student_name lateral view posexplode(split(student_score,',')) tmp2 as student_score_index,student_score where student_name_index = student_score_index;
1.2 lateral view 侧写视图
官网链接:LanguageManual LateralView - Apache Hive - Apache Software Foundation
- 定义:lateral view 通常与UDTF配合使用,侧视图的原理是将UDTF的结果构建成一个类似于视图的表,再将原表中的每一行和UDTF函数输出的每一行进行连接,生成一张新的虚拟表。
- 举例:select id, name, hobbies, hobby from person lateral view explode(hobbies) tmp as hobby; 代码分析: 对原表person中的hobbies列进行炸裂(一行变多行),利用侧视图lateral view对该UDTF产生的记录设置字段名称为hobby, 再将原表中person的一每行与hobby进行连接形成一个虚拟表,命名为tmp。
- 注意:使用lateral view时侧写视图时,可以对UDTF产生的记录设置字段名称,上述例子为hobby,产生的hobby字段可以用于group by、order by 、limit等语句中,不需要再单独嵌套一层子查询
二、实际案例
2.1 每个学生及其成绩
0 问题描述
根据学生成绩表,计算学生的成绩。
1 数据准备
create table if not exists table10 ( class string comment '班级名称', student string comment '学生名称', score string comment '学生分数' ) comment '学生成绩表'; INSERT overwrite table table10 VALUES ("1班","小A,小B,小C","80,92,70"), ("2班","小D,小E","88,62"), ("3班","小F,小G,小H","90,97,85");
2 数据分析
思路一:lateral view + explode
select class, student, score, student_name, student_score from table10 lateral view explode(split(student, ',')) tmp1 as student_name lateral view explode(split(score, ',')) tmp2 as student_score;
bug:上面逻辑能跑通,但是学生姓名和学生成绩对应不上,出现错乱,弃用。
正确的代码如下:
思路二: lateral view + posexplode
select class, student, score, student_name, student_score from table10 lateral view posexplode(split(student, ',')) tmp3 as student_index_st, student_name lateral view posexplode(split(score, ',')) tmp4 as student_index_sc, student_score where student_index_st = student_index_sc;
说明:student_index_st = student_index_sc 的作用:下角标对齐,实现学生和成绩一一对应
3 小结
上述案例的学生成绩表中,【学生姓名】字段和【学生成绩】都是数组类型的字符串,我们需要对两个字段分别炸裂后,实现每个学生与其成绩一一对应,因此需要借助posexlode函数的pos下角标进行约束。(用explode函数无法实现)
2.2 日期交叉问题
0 问题描述
统计每个品牌的总营销天数(营销日期有重叠的地方需要去重)
1 数据准备
create table promotion_info ( promotion_id string comment '优惠活动id', brand string comment '优惠品牌', start_date string comment '优惠活动开始日期', end_date string comment '优惠活动结束日期' ) comment '各品牌活动周期表'; insert overwrite table promotion_info values (1, 'oppo', '2021-06-05', '2021-06-09'), (2, 'oppo', '2021-06-11', '2021-06-21'), (3, 'vivo', '2021-06-05', '2021-06-15'), (4, 'vivo', '2021-06-09', '2021-06-21'), (5, 'redmi', '2021-06-05', '2021-06-21'), (6, 'redmi', '2021-06-09', '2021-06-15'), (7, 'redmi', '2021-06-17', '2021-06-26'), (8, 'huawei', '2021-06-05', '2021-06-26'), (9, 'huawei', '2021-06-09', '2021-06-15'), (10, 'huawei', '2021-06-17', '2021-06-21');
2 数据分析
思路一:用带有下标的炸裂函数posexplode将活动区间炸裂成具体的每一天的日期。即:将同一个品牌的所有活动日期都有列出来,再对重叠的日期进行统一去重
select brand, count(distinct event_date) from ( select promotion_id, brand, start_date, -- 用 start_date + 下角标pos date_add(start_date,pos) as event_date, pos from ( select promotion_id, brand, start_date, end_date, split(space(datediff(end_date, start_date)), '') as ar from promotion_info ) tmp1 lateral view posexplode(ar) tmp2 as pos, item )tmp2 group by brand;
思路一的代码拆解分析:
以一条数据为例, promotion_id brand start_date end_date 1 'oppo' '2021-06-05' '2021-06-09' (1) split(space(datediff(end_date, start_date)), '') as diff 的结果: 根据[9-5]=4,利用space函数生成长度是4的空格字符串,再利用split函数切割 1 (promotion_id) , 'oppo'(brand) , '2021-06-05'(start_date) ,'2021-06-09'(end_date) , diff ["","","","",""] (2)用posexplode经过转换增加行(列转行,炸裂),通过下角标pos来获取 event_date, 根据数组["","","","",""],得到pos的取值是0,1,2,3,4 炸裂得出下面五行数据(一行变五行) 1,oppo,2021-06-05(start_date),2021-06-05= date_add(2021-06-05,0) (event_date= start_date+pos) 1,oppo,2021-06-05(start_date),2021-06-06= date_add(2021-06-05,1) (event_date= start_date+pos) 1,oppo,2021-06-05(start_date),2021-06-07 = date_add(2021-06-05,2) (event_date= start_date+pos) 1,oppo,2021-06-05(start_date),2021-06-07 = date_add(2021-06-05,3) (event_date= start_date+pos) 1,oppo,2021-06-05(start_date),2021-06-08 = date_add(2021-06-05,4) (event_date= start_date+pos) 1,oppo,2021-06-05(start_date),2021-06-09 = date_add(2021-06-05,5) (event_date= start_date+pos) 炸裂的目的:活动的优惠时间段[ '2021-06-05' , '2021-06-09' ] 拆分成具体的 每一天event_date: '2021-06-05', '2021-06-06', '2021-06-07', '2021-06-08', '2021-06-09' (3)根据品牌brand进行分组,求count(distinct event_date) ,从而得到每品牌的总营销天数(营销日期有重叠的地方已经去重了)
思路二:用带有下标的炸裂函数posexplode
select brand, count(distinct event_date) from ( select promotion_id, brand, start_date, date_add(start_date,pos) as event_date, pos from ( select promotion_id, brand, start_date, end_date, split(repeat(',',datediff(end_date, start_date)),',') as ar from promotion_info ) tmp1 lateral view posexplode(ar) tmp2 as pos, item )tmp2 group by brand;
思路二的代码拆解分析:跟思路一的逻辑基本是一样的 ,区别仅在于:用代码 split(repeat(',',datediff(end_date, start_date)),',') as ar 去替换 split(space(datediff(end_date, start_date)), '') as ar
思路三的代码逻辑如下:
select brand, --对品牌brand分组求sum的原因:同一个用户可能对应多段不交叉的活动 sum(datediff(end_date, new_start_date) + 1) days from ( select brand, new_start_date, end_date from ( select brand, --判断逻辑:1.如果max_end_date是null(意味着当前行就是首行,不存在上一行了),直接取start_date --2.如果max_end_date不是null,进一步判断【当前行】的start_date与max_end_date的大小,如果start_date小,那用max_date+ 1的值作为【当前行】的新new_start_date if(max_end_date is null, start_date, if(start_date > max_end_date, start_date, date_add(max_end_date, 1))) new_start_date, end_date from ( select brand, start_date, end_date, -- 开窗范围:同一个品牌内部:上无边界到截止到上一行 -- 开窗的计算逻辑:max(end_date) --> 对【上无边界到上一行】的最大结束时间end_date进行标记,再与当前行的起始时间start_date进行比对 max(end_date) over (partition by brand order by start_date rows between unbounded preceding and 1 preceding) max_end_date from promotion_info ) t1 ) t2 -- 需要保证每行数据的新的起始时间new_start_date 比 结束时间end_date 小 where new_start_date
思路三:没有用到炸裂函数,关键思想是:当活动的上一个日期区间A 与 当前的日期区间B出现重叠(日期交叉,有重复数据)时,需要将区间B的起始时间改成区间A的结束时间。(修改之后需要保证B区间的结束时间> 开始时间)
3 小结
上述代码中用到的函数有:
一、字符串函数 1、空格字符串函数:space 语法:space(int n) 返回值:string 说明:返回值是n的空格字符串 举例:select length (space(10)) --> 10 一般space函数和split函数结合使用:select split(space(3),''); --> ["","","",""] 2、split函数(分割字符串) 语法:split(string str,string pat) 返回值:array 说明:按照pat字符串分割str,会返回分割后的字符串数组 举例:select split ('abcdf','c') from test; -> ["ab","df"] 3、repeat:重复字符串 语法:repeat(string A, int n) 返回值:string 说明:将字符串A重复n遍。 举例:select repeat('123', 3); -> 123123123 一般repeat函数和split函数结合使用:select split(repeat(',',4),','); --> ["","","","",""] 二、炸裂函数 explode 语法:lateral view explode(split(a,',')) tmp as new_column 返回值:string 说明:按照分隔符切割字符串,并将数组中内容炸裂成多行字符串 举例:select student_score from test lateral view explode(split(student_score,',')) tmp as student_score posexplode 语法:lateral view posexploed(split(a,',')) tmp as pos,item 返回值:string 说明:按照分隔符切割字符串,并将数组中内容炸裂成多行字符串(炸裂具备瞎下角标 0,1,2,3) 举例:select student_name, student_score from test lateral view posexplode(split(student_name,',')) tmp1 as student_name_index,student_name lateral view posexplode(split(student_score,',')) tmp2 as student_score_index,student_score where student_score_index = student_name_index
2.3 用户消费金额
0 问题描述
变更需求:table11表的第1,4列不表,第2列需要变更为连续日期,第3列需要变更成【截止当月的累积消费额】
1 数据准备
create table if not exists table11 ( user_id string comment '用户标识', dt string comment '消费日期', price string comment '消费金额', qs int comment '用户应存期数' ) comment '用户消费详情表'; INSERT overwrite table table11 VALUES ("A","2018-12-21","9439.30",12), ("A","2019-03-21","9439.30",12), ("A","2019-06-21","9439.30",12), ("A","2019-09-21","9439.30",12), ("B","2018-12-02","9439.30",10), ("B","2019-02-02","9439.30",10), ("B","2019-06-02","9439.30",10);
2 数据分析
-- 思路一:利用posexplode函数进行炸裂,同时生成下角标pos, --将消费区间(一行)炸裂成多行 select tmp3.user_id, tmp3.event_dt, -- sum() over(partition by .. order by .. ) 窗口计算的范围是:上无边界(起始行)到当前行,求消费金额的累积值(order by 后面没有窗口子句的情况下,窗口范围是:上无边界(起始行)到当前行) cast(sum(tmp4.price) over (partition by tmp3.user_id order by tmp3.event_dt) as decimal(18, 2)) as price, tmp3.max_qs from ( select user_id, add_months(min_dt, pos) as event_dt, max_qs, pos from ( select user_id, min(dt ) as min_dt, max(price) max_price, max(qs) max_qs from table11 group by user_id ) tmp1 lateral view posexplode(split(space(max_qs), '')) tmp2 as pos, item ) tmp3 left join (select user_id, dt, price from table11) tmp4 on tmp3.user_id = tmp4.user_id and tmp3.event_dt= tmp4.dt;
3 小结
利用posexplode的下角标pos进行填补连续。利用sum(price)over(partition by ..order by)进行消费金额的累积值统计(截止到当日)
(1)lateral view posexplode(split(space(max_qs), '')) tmp2 as pos, item;-->对字段 期数ds进行posexplode炸裂,一行变多行,且生成对应的下角标pos
(2)add_months(min_ds, pos) as new_ds; --> 基于min_dt + pos对消费日期 进行填补,组成连续的消费日期区间。
待补充:炸裂的弊端是可能会发生数据膨胀,当数据集小的时候,用炸裂方便,当时数据集大时,需慎用。
-