Hive分组取Top K数据

阿里交叉面试问到了这个题，当时感觉没有答好，主要是对Hive这块还是不熟悉，其实可以采用row_number()函数。

1、ROW_NUMBER，RANK()，DENSE_RANK()

语法格式：row_number() OVER (partition by COL1 order by COL2 desc ) rank
partition by：类似hive的建表，分区的意思；
order by ：排序，默认是升序，加desc降序；
rank：表示别名
表示根据COL1分组，在分组内部根据 COL2排序，而此函数计算的值就表示每组内部排序后的顺序编号（组内连续的唯一的)

1.1 案例

1.1.1 样本数据

浙江,杭州,300
浙江,宁波,150
浙江,温州,200
浙江,嘉兴,100
江苏,南京,270
江苏,苏州,299
江苏,某市,200
江苏,某某市,100

1.1.2导入数据

--执行下述语句
hive (temp)> hive -f 'HQL/loaddata.hql'>out/tmp;
-----------------------------------------------
drop table datatable;
CREATE table datatable (
  province string,
  city string,
  people int)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE;
 
load data local inpath 'home/loaddata'
overwrite into table temp.datatable;
----------------------------------------------
--查看结果
hive (temp)> select * from datatable;
OK
province      city  people
浙江    杭州    300
浙江    宁波    150
浙江    温州    200
浙江    嘉兴    100
江苏    南京    270
江苏    苏州    299
江苏    某市    200
江苏    某某市  100

1.2 按照人口降序排列，生成衍生变量

select province,city,
rank() over (order by people desc) rank,
dense_rank() over (order by people desc) dense_rank,
row_number() over(order by people desc) row_number
from datatable
group by province,city,people;
 
--结果
province        city    rank    dense_rank      row_number
浙江    杭州    1       1       1
江苏    苏州    2       2       2
江苏    南京    3       3       3
浙江    温州    4       4       4
江苏    某市    4       4       5
浙江    宁波    6       5       6
江苏    某某市  7       6       7
浙江    嘉兴    7       6       8

主要注意打圈的:
row_number：顺序下来
rank:在遇到数据相同项时,会留下空位5,(第一列4,4,6)
dense_rank:在遇到数据相同项时,不会留下空位,(红框内第一列,4,4,5)

1.3 分组按照省份分区，再按照人口降序排列，生成衍生变量

select province,city,
rank() over (partition by province order by people desc) rank,
dense_rank() over (partition by province order by people desc) dense_rank,
row_number() over(partition by province order by people desc) row_number
from datatable
group by province,city,people;
 
--结果
province        city    rank    dense_rank      row_number
江苏    苏州    1       1       1
江苏    南京    2       2       2
江苏    某市    3       3       3
江苏    某某市  4       4       4
浙江    杭州    1       1       1
浙江    温州    2       2       2
浙江    宁波    3       3       3
浙江    嘉兴    4       4       4

2取TOPN数据

2.1 按照国家提取TOP3

2.1.1 样本数据：

国家 城市 Visitors
阿联酋,阿布扎比,137
阿联酋,阿布扎比,146
阿联酋,阿布扎比,178
阿联酋,阿布扎比,337
阿联酋,阿布扎比,178
阿联酋,阿布扎比,227
阿联酋,阿布扎比,157
阿联酋,迪拜,144
阿联酋,迪拜,268
阿联酋,迪拜,103
阿联酋,迪拜,141
阿联酋,迪拜,108
阿联酋,迪拜,266
澳大利亚,悉尼,141
澳大利亚,悉尼,122
澳大利亚,悉尼,153
澳大利亚,悉尼,128
澳大利亚,墨尔本,294
澳大利亚,墨尔本,230
澳大利亚,墨尔本,159
澳大利亚,墨尔本,188
澳大利亚,堪培拉,249
澳大利亚,堪培拉,378
澳大利亚,堪培拉,255
澳大利亚,堪培拉,240

2.1.2导入数据

--执行下述语句
hive (temp)> hive -f 'HQL/loaddata.hql'>out/tmp;
-----------------------------------------------
drop table temp.tripdata;
CREATE table datatable (
  country string,
  city string,
  Visitors int)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE;
 
load data local inpath 'home/loaddata'
overwrite into table temp.tripdata;
----------------------------------------------
 
----------------------------------------------
--查看结果
hive (temp)> select * from tripdata;
country        city   visitors
阿联酋  阿布扎比        137
阿联酋  阿布扎比        146
阿联酋  阿布扎比        178
阿联酋  阿布扎比        337
阿联酋  阿布扎比        178
阿联酋  阿布扎比        227
阿联酋  阿布扎比        157
阿联酋  迪拜    144
阿联酋  迪拜    268
阿联酋  迪拜    103
阿联酋  迪拜    141
阿联酋  迪拜    108
阿联酋  迪拜    266
澳大利亚        悉尼    141
澳大利亚        悉尼    122
澳大利亚        悉尼    153
澳大利亚        悉尼    128
澳大利亚        墨尔本  294
澳大利亚        墨尔本  230
澳大利亚        墨尔本  159
澳大利亚        墨尔本  188
澳大利亚        堪培拉  249
澳大利亚        堪培拉  378
澳大利亚        堪培拉  255
澳大利亚        堪培拉  240
---格式：select 品牌,count/sum/其它() as num  from table_name order by num limit 10;
 
select country,city,visitors
from tripdata
order by visitors desc
limit 5;
 
country city    visitors
澳大利亚        堪培拉  378
阿联酋  阿布扎比        337
澳大利亚        墨尔本  294
阿联酋  迪拜    268
阿联酋  迪拜    266

2.2 按照国家、城市提取TOP3

--取top10品牌下各品牌的top10渠道 ,格式:
select
a.*
from
(
select 品牌,渠道,count/sum/其它() as num row_number() over (partition by 品牌 order by num desc ) rank
from table_name
where 品牌限制条件
group by 品牌,渠道
)a
where a.rank<=10
select a.*
from (
select country,city,visitors, row_number() over (partition by country order by visitors desc ) rank
from tripdata
order by country,visitors desc
) a
where a.rank<=3;
 
--结果
a.country       a.city  a.visitors      a.rank
澳大利亚        堪培拉  378     1
澳大利亚        墨尔本  294     2
澳大利亚        堪培拉  255     3
阿联酋  阿布扎比        337     1
阿联酋  迪拜    268     2
阿联酋  迪拜    266     3

2.3 按照国家提取TOP5

--取top10品牌下各品牌的top10渠道中各渠道的top10档期 ,格式:
select  a.*
from
(
select 品牌,渠道,档期,count/sum/其它() as num row_number() over (partition by 品牌,渠道 order by num desc ) rank
from table_name
where 品牌,渠道 限制条件
group by 品牌,渠道,档期
)a
where  a.rank<=10
select a.*
from (
select country,city,visitors, row_number() over (partition by city order by visitors desc ) rank
from tripdata
order by country,city,visitors desc
) a
where a.rank<=3;
 
--结果
a.country       a.city  a.visitors      a.rank
澳大利亚        堪培拉  378     1
澳大利亚        堪培拉  255     2
澳大利亚        堪培拉  249     3
澳大利亚        墨尔本  294     1
澳大利亚        墨尔本  230     2
澳大利亚        墨尔本  188     3
澳大利亚        悉尼    153     1
澳大利亚        悉尼    141     2
澳大利亚        悉尼    128     3
阿联酋  迪拜    268     1
阿联酋  迪拜    266     2
阿联酋  迪拜    144     3
阿联酋  阿布扎比        337     1
阿联酋  阿布扎比        227     2
阿联酋  阿布扎比        178     3

链接：https://www.jianshu.com/p/9802f3a035e1