作者 | 石晓文

转载自小小挖掘机（ID:wAIsjwj）

咳咳，今天来介绍一下几个Hive函数吧，先放一张我登哥划水的照片，希望大家也做一只自由的鱼儿，在知识的海洋里游呀游，嘻嘻！

今天我们来介绍几个Hive常用的函数吧！

1、数据介绍

首先我们产生我们的数据,使用spark sql来产生吧：

 val data = Seq[(String,String)](	("{\"userid\":\"1\",\"action\":\"0#222\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"1#223\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"2#224\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"1#225\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"2#225\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"0#226\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"1#227\"}","20180131"),	("{\"userid\":\"1\",\"action\":\"2#228\"}","20180131"),	("{\"userid\":\"2\",\"action\":\"0#223\"}","20180131"),	("{\"userid\":\"2\",\"action\":\"1#224\"}","20180131"),	("{\"userid\":\"2\",\"action\":\"1#225\"}","20180131"),	("{\"userid\":\"2\",\"action\":\"2#228\"}","20180131")	).toDF("info","dt").write.saveAsTable("test.sxw_testRowNumber")

为了模拟我们的hive函数，我们特地将info字段写成了一个json格式，info中有两个键值对，一个是user_id,另一个是用户的行为，行为中有两个数据，用#隔开，分别是动作的类型和动作发生的时间。我们可以这样认为，0代表百度首页，1代表进行了一次搜索的搜索结果页，2代表查看搜索结果中国年的某个详情页。从一次动作0 到 下一次动作0，我们可以认为这是用户和百度一次完整的交互，即一次session，从一次动作1到下一次动作1，可以认为是一次完整的搜索操作。另一个字段是dt，即我们的分区字段。

我们用简单的查询语句来看一下我们的数据效果：

select * from test.sxw_testRowNumber where dt=20180131

结果如下：

2、常用的Hive函数

▌2.1 get_json_object

我们使用get_json_object来解析json格式字符串里面的内容，格式如下：

get_json_object(字段名,'$.key')

这里，我们来解析info中的userid和action：

select 	get_json_object(info,'$.userid') as user_id,	get_json_object(info,'$.action') as action  from test.sxw_testRowNumber	where dt=20180131

结果如下：

▌2.2 字符串替换函数

字符串替换函数格式如下：

regexp_replace(字段名, 被替换的内容, 替换为的内容)

这里我们是可以写正则表达式来替换的，比如我们想把#和数字都替换成大写字母Y：

select 	regexp_replace(info,'[\\d#]','Y') as info  from test.sxw_testRowNumber	where dt=20180131

在上面的语句中，我们用了两个\,因为这里\需要进行转义。结果为：

▌2.3 字符串切分函数

字符串切分函数split，很像我们java、python中写的那样，格式如下：

split(字段名,分割字符)

split分割后返回一个数组，我们可以用下标取出每个元素。我们把action里面的动作类型和动作时间使用split分割开，语句如下：

select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131

结果如下：

▌2.4 取字串

取字串使用substring方法，格式如下：

substring(字段名,开始位置,提取长度)

这里，如果我们想吧info中前后的大括号去掉，可以使用substring，语句如下：

select 	substring(info,2,length(info)-2) as info  from test.sxw_testRowNumber	where dt=20180131

你可能会问，为什么开始位置是从2开始的而不是1，因为hive中字符串的索引是从1开始的而不是0，同时，我们谁用length方法来计算字符串的长度，结果如下：

▌2.5 有条件计数

有条件计数使用count函数结合case when then语法来实现，比如我们要计算每个用户有多少个session，语句如下：

select 	get_json_object(info,'$.userid') as user_id,	count(case	when split(get_json_object(info,'$.action'),'#')[0]=='0' then 1 	else null end) as session_count  from test.sxw_testRowNumber	where dt=20180131	group by get_json_object(info,'$.userid')

结果如下：

3、分组排序函数

上面的几个函数都只是简单的开胃菜，接下来我们来介绍一下重头戏，分组排序函数以及它的两个衍生的函数，row_number() over的格式如下：

row_Number() OVER (partition by 分组字段 ORDER BY 排序字段 排序方式asc/desc)

简单的说，我们使用partition by后面的字段对数据进行分组，在每个组内，使用ORDER BY后面的字段进行排序，并给每条记录增加一个排序序号。比如，我们根据每个用户每条记录的发生时间对用户的行为进行排序，并添加一个序号：

select	*	row_number() over(partition by user_id order by action_ts asc) as tnfrom	(	select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131	) as t

执行结果如下：

可以看到，我们已经成功给用户的行为添加了发生序号。

除了row_number以外，我们还有两个函数，分别是

lag(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) 	
lead(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) 

lag括号里理由两个参数，第一个是字段名，第二个是数量N，这里的意思是，取分组排序之后比该条记录序号小N的对应记录的指定字段的值，如果字段名为ts，N为1，就是取分组排序之后上一条记录的ts值。

lead括号里理由两个参数，第一个是字段名，第二个是数量N，这里的意思是，取分组排序之后比该条记录序号大N的对应记录的对应字段的值，如果字段名为ts，N为1，就是取分组排序之后下一条记录的ts值。

比如，我们用lag和lead分别记录用户上一次行为和下一次行为的发生时间，语句如下：

select	*,	row_number() over(partition by user_id order by action_ts asc) as tn,	lag(action_ts,1) over(partition by user_id order by action_ts asc) as prev_ts,	lead(action_ts,1) over(partition by user_id order by action_ts asc) as next_tsfrom	(	select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131	) as t

结果如下：

接下来，我们想实现下面的功能：给每条记录添加一列，该列代表此次session的开始时间。
前面我们介绍过，我们这里认为一次session是从一个action_type为0开始，到下一次action_type为0结束，也就是说，我们这里的数据有三个session，前5条记录是一个session，这五条记录的新列的值应给为222，同理，中间三条记录的新列的值应改为226，而最后四条记录的值应为223，那么如何实现这个功能呢，这就需要我们的lag和lead函数啦。

语句如下：

select	t2.user_id,	t2.action_type,	t2.action_ts,	t1.action_ts as session_tsfrom(	select	*,	lead(action_ts,1) over(partition by user_id order by action_ts asc) as next_tsfrom	(	select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131 	and split(get_json_object(info,'$.action'),'#')[0] == '0'  	) as t	) t1   	
inner join 	
(	select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131 ) t2	
on t1.user_id = t2.user_id	
where	
( t2.action_ts >= t1.action_ts    and	t2.action_ts < t1.next_ts	
)or ( t2.action_ts >= t1.action_ts    and t1.next_ts is null	)

我们来一步步剖析一下该过程的实现，首先，我们在子查询中实现了两个表的内链接。第一个子查询查询出所有session开始的action_ts以及它对应的下一个session开始的action_ts，使用lead实现：

select	*,	lead(action_ts,1) over(partition by user_id order by action_ts asc) as next_tsfrom	(	select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131 	and split(get_json_object(info,'$.action'),'#')[0] == '0'  	) as t

第二个子查询，将简单的进行一下解析：

select 	get_json_object(info,'$.userid') as user_id,	split(get_json_object(info,'$.action'),'#')[0] as action_type,	split(get_json_object(info,'$.action'),'#')[1] as action_ts  from test.sxw_testRowNumber	where dt=20180131

随后，我们根据两个表的user_id进行内链接，但是内链接之后会多出很多数据，我们要从中取出满足条件的,这里的条件有两个，满足其一即可，即记录的ts在两个session开始的ts之间，要么就没有后一个session：

where	
( t2.action_ts >= t1.action_ts    and	t2.action_ts < t1.next_ts	
)or ( t2.action_ts >= t1.action_ts    and t1.next_ts is null	)

最终的结果如下：

（*本文为 AI科技大本营转载文章，转载请联系原作者）

◆

精彩推荐

◆

想跟NVIDIA专业讲师学习TensorRT吗？扫码进群，获取报名地址，群内优秀提问者可获得限量奖品（定制T恤或者技术图书，包邮哦~）

NVIDIA TensorRT是一种高性能深度学习推理优化器和运行时加速库，可以为深度学习推理应用程序提供低延时和高吞吐量。通过TensorRT，开发者可以优化神经网络模型，以高精度校对低精度，最后将模型部署到超大规模数据中心、嵌入式平台或者汽车产品平台中。

推荐阅读

• 不让华为收专利费？美议员提案“秀下限”

• 解密Kernel：为什么适用任何机器学习算法？

• Python助你叠猫猫，抢618大红包！

• Python异常处理，3个好习惯分享给你

• 不是码农，不会敲代码的她，却最懂程序员！| 人物志

• 一张图告诉你到底学Python还是Java！

• 这位博士跑赢“地震波”：提前 10 秒预警宜宾地震！

• 10分钟读懂什么是容器云？

• 第二! 他排中本聪与V神中间, 单靠文字就“打败”了敲代码的程序员!