Spark OLAP高阶分析函数总结

头像
易企秀工程师
    阅读 8 分钟
    我们经常困惑在数据挖掘和报表分析场景中sql不会写，或者因为sql太长以至于可读性降低; 今天我为大家总结了一些Spark SQL中的高阶函数，它们将会对你的业务形成助力，百倍提升你的工作效率

    GROUPING__ID,CUBE,ROLLUP

    可快速实现多维度自由组合分析查询，主要应用于OLAP钻取分析场景，比如，分小时、天、月的UV数。

    • cube
      cube函数 多用来实现钻取查询
      将一个group by中单一维度分组后进行聚合，等价于将不同维度的GROUP BY结果集进行UNION ALL
    select * from eqs_1234;

month      day        GROUPING__ID
------------------------------------
2015-03 2015-03-10      cookie1
2015-03 2015-03-10      cookie5
2015-03 2015-03-12      cookie7
2015-04 2015-04-12      cookie3
2015-04 2015-04-13      cookie2
2015-04 2015-04-13      cookie4
2015-04 2015-04-16      cookie4
2015-03 2015-03-10      cookie2
2015-03 2015-03-10      cookie3
2015-04 2015-04-12      cookie5
2015-04 2015-04-13      cookie6
2015-04 2015-04-15      cookie3
2015-04 2015-04-15      cookie2
2015-04 2015-04-16      cookie1

SELECT 
month,
day,
COUNT(DISTINCT cookieid) AS uv 
FROM eqs_1234
GROUP BY  cube (month,day,(month,day))  

month         day             uv      GROUPING__ID
------------------------------------------------
2015-03       NULL            5       1
2015-04       NULL            6       1
NULL          2015-03-10      4       2
NULL          2015-03-12      1       2
NULL          2015-04-12      2       2
NULL          2015-04-13      3       2
NULL          2015-04-15      2       2
NULL          2015-04-16      2       2
2015-03       2015-03-10      4       3
2015-03       2015-03-12      1       3
2015-04       2015-04-12      2       3
2015-04       2015-04-13      3       3
2015-04       2015-04-15      2       3
2015-04       2015-04-16      2       3

## 如果不知道cube函数，那么可能会用下面的方式来实现，SQL的可读性和性能大大降低
SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM lxw1234 GROUP BY month 
UNION ALL 
SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM lxw1234 GROUP BY day
UNION ALL 
SELECT month,day,COUNT(DISTINCT cookieid) AS uv,3 AS GROUPING__ID FROM lxw1234 GROUP BY month,day
    • grouping_id
      标记出属于哪一类维度组合，相同的组合方式grouping_id的结果一样
    SELECT name, grouping_id(), sum(age), avg(height) FROM VALUES (2, 'Alice', 165), (5, 'Bob', 180) people(age, name, height) GROUP BY cube(name, height);
  NULL    2       2       165.0
  Alice   0       2       165.0
  NULL    2       5       180.0
  NULL    3       7       172.5
  Bob     0       5       180.0
  Bob     1       5       180.0
  Alice   1       2       165.0
    • rollup
      以左侧维度为主聚合维度进行层级聚合，所有维度都为NULL时代表全部数据，rollup是cube的子集；可以快速实现由左及右的下钻分析。
    SELECT name, age, count(*) FROM VALUES (2, 'Alice'), (5, 'Bob') people(age, name) GROUP BY rollup(name, age);
  NULL    NULL    2
  Alice   2       1
  Bob     5       1
  Bob     NULL    1
  Alice   NULL    1

    LAG,LEAD,FIRST_VALUE,LAST_VALUE

    快速获取窗口内往上或往下第几行的数据

    • lag
      向上取数；lag(col,n,DEFAULT) 用于统计窗口内往上第n行值
      第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）
    sql("SELECT name, age, lag(age,1) over(partition by name order by age) lag FROM VALUES (2, 'Alice'), (5, 'Bob'), (12, 'Alice')  people(age, name)").show
+-----+---+----+                                                                
| name|age| lag|
+-----+---+----+
|  Bob|  5|null|
|Alice|  2|null|
|Alice| 12|   2|
+-----+---+----+
    • lead
      向下取数；lead(col,n,DEFAULT) 用于统计窗口内往下第n行值
      第一个参数为列名，第二个参数为往下第n行（可选，默认为1），第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）
    sql("SELECT name, age, lead(age,1,age) over(partition by name order by age) leadFROM VALUES (2, 'Alice') 'Bob'),, (5, 'Bob'), (12, 'Alice')  people(age, name)").show
+-----+---+---+
| name|age|lead|
+-----+---+---+
|  Bob|  5|  5|
|Alice|  2| 12|
|Alice| 12| 12|
+-----+---+---+
    • first_value/first
      first_value(expr[, isIgnoreNull]) 用来获取分组内第一个满足expr表达式的值
      第一个参数是列名 支持表达式，第二个参数可选，当为true时 只返回非NULL数值
    sql("SELECT name, age, first(age,true) over(partition by name order by age) first FROM VALUES (2, 'Alice'), (5, 'Bob'), (12, 'Alice')  people(age, name)").show
+-----+---+---+
| name|age|first|
+-----+---+---+
|  Bob|  5|  5|
|Alice|  2|  2|
|Alice| 12|  2|
+-----+---+---+
    • last_value/last
      last_value(expr[, isIgnoreNull]) 用来获取分组内最后一个满足expr表达式的值
      第一个参数是列名 支持表达式，第二个参数可选，当为true时 只返回非NULL数值
    sql("SELECT name, age, last(age,true) over(partition by name) last FROM VALUES (2, 'Alice'), (5, 'Bob'), (12, 'Alice'), (1, 'Alice')   people(age, name)").show
+-----+---+-----+
| name|age|last|
+-----+---+-----+
|  Bob|  5|    5|
|Alice| 12|    2|
|Alice|  1|    2|
|Alice|  2|    2|
+-----+---+-----+

## 如果要获取窗口排序后的末尾值，需要使用first函数实现
sql("SELECT name, age, last(age,true) over(partition by name) last1, first(age) over(partition by name order by age desc) last2  FROM VALUES (2, 'Alice'), (5, 'Bob'), (12, 'Alice'), (1, 'Alice')   people(age, name)").show
+-----+---+-----+-----+
| name|age|last1|last2|
+-----+---+-----+-----+
|  Bob|  5|    5|    5|
|Alice| 12|    1|   12|
|Alice|  2|    1|   12|
|Alice|  1|    1|   12|
+-----+---+-----+-----+

    NTILE,ROW_NUMBER,DENSE_RANK

    常用窗口函数

    • ntile
      对数据按照某一维度进行等比切片，如果数据不均匀，会优先补充上面分片的数据量
    sql("select name,age,ntile(2) over(partition by name order by age) ntile from VALUES (2, 'Alice'), (5, 'Bob'), (12, 'Alice'), (1, 'Alice')   people(age, name)").show
+-----+---+-----+
| name|age|ntile|
+-----+---+-----+
|  Bob|  5|    1|
|Alice|  1|    1|
|Alice|  2|    1|
|Alice| 12|    2|
+-----+---+-----+

sql("select name,age,ntile(3) over(partition by name order by age) ntile from VALUES (2, 'Alice'), (5, 'Bob'), (12, 'Alice'), (1, 'Alice')   people(age, name)").show
+-----+---+-----+
| name|age|ntile|
+-----+---+-----+
|  Bob|  5|    1|
|Alice|  1|    1|
|Alice|  2|    2|
|Alice| 12|    3|
+-----+---+-----+

## 如统计某个用户一天内pv最多的前1/3是那几天
## 那么将数据3等分后 取rn=1就是我们需要的记录

cookieid day           pv       rn
----------------------------------
cookie1 2015-04-12      7       1
cookie1 2015-04-11      5       1
cookie1 2015-04-15      4       1
cookie1 2015-04-16      4       2
cookie1 2015-04-13      3       2
cookie1 2015-04-14      2       3
cookie1 2015-04-10      1       3
cookie2 2015-04-15      9       1
cookie2 2015-04-16      7       1
cookie2 2015-04-13      6       1
cookie2 2015-04-12      5       2
cookie2 2015-04-14      3       2
cookie2 2015-04-11      3       3
cookie2 2015-04-10      2       3
    • row_number
      row_number从1开始，按照指定字段排序后生成递增序列号
      如 按照日期分组后对作品pv进行降序排列，生成组内pv排序的名次
    sql("select day, sid, pv ,row_number() over(partition by day order by pv desc)rn from VALUES('2020-04-04','a1',11), ('2020-04-01','b1',51), ('2020-04-04','b1',11), ('2020-04-01','c1',21), ('2020-04-01','a1',1) log(day, sid, pv)").show
+----------+---+---+---+
|       day|sid| pv| rn|
+----------+---+---+---+
|2020-04-01| b1| 51|  1|
|2020-04-01| c1| 21|  2|
|2020-04-01| a1|  1|  3|
|2020-04-04| a1| 11|  1|
|2020-04-04| b1| 11|  2|
+----------+---+---+---+
    • dense_rank
      与row_number不同的是相同 pv 的序列号，dense_rank返回值是相同的
    sql("select day, sid, pv, dense_rank() over(partition by day order by pv desc) dense_rank,row_number() over(partition by day order by pv desc)rn from VALUES('2020-04-04','a1',11), ('2020-04-01','b1',51), ('2020-04-04','b1',11), ('2020-04-01','c1',21), ('2020-04-01','a1',1) log(day, sid, pv)").show
+----------+---+---+----------+---+
|       day|sid| pv|dense_rank| rn|
+----------+---+---+----------+---+
|2020-04-01| b1| 51|         1|  1|
|2020-04-01| c1| 21|         2|  2|
|2020-04-01| a1|  1|         3|  3|
|2020-04-04| a1| 11|         1|  1|
|2020-04-04| b1| 11|         1|  2|
+----------+---+---+----------+---+

    最后补充SUM,AVG,MIN,MAX聚合函数的窗口化支持

    • 统计某个作品随时间增长的累计pv
    sql("select day, sid, pv, sum(pv) over(partition by sid order by day) pv1 from VALUES('2020-04-04','a1',11), ('2020-04-03','d1',51), ('2020-04-02','d1',11), ('2020-04-01','d1',21), ('2020-04-04','d1',1) log(day, sid, pv)").show
+----------+---+---+---+
|       day|sid| pv|pv1|
+----------+---+---+---+
|2020-04-01| d1| 21| 21|
|2020-04-02| d1| 11| 32|
|2020-04-03| d1| 51| 83|
|2020-04-04| d1|  1| 84|
|2020-04-04| a1| 11| 11|
+----------+---+---+---+
    • ROWS BETWEEN是窗口子函数，借助该函数可限定累计的范围
    ## ROWS BETWEEN 2 PRECEDING AND CURRENT ROW 意思是当前行pv + 往前2行pv值
sql("select day, sid, pv, sum(pv) over(partition by sid order by day) pv1, sum(pv) over(partition by sid order by day  ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) pv2  from VALUES('2020-04-04','a1',11), ('2020-04-03','d1',51), ('2020-04-02','d1',11), ('2020-04-01','d1',21), ('2020-04-04','d1',1) log(day, sid, pv)").show
+----------+---+---+---+---+
|       day|sid| pv|pv1|pv2|
+----------+---+---+---+---+
|2020-04-01| d1| 21| 21| 21|
|2020-04-02| d1| 11| 32| 32|
|2020-04-03| d1| 51| 83| 83|
|2020-04-04| d1|  1| 84| 63|
|2020-04-04| a1| 11| 11| 11|
+----------+---+---+---+---+

    作者：易企秀工程师 Yarn ->个人主页

    大数据spark
    易企秀工程师
    91 声望10 粉丝
    « 上一篇
    使用ES的快速实现内容相似性推荐
    下一篇 »
    数据采集系统的优化实战

    引用和评论

    推荐阅读
    头像
    面试问你正则原理？你就跟他吹起来

    易企秀工程师赞 3阅读 2.1k评论 1

    头像
    数据资产管理实施路径盘点，一文读懂如何建设企业数据资产管理体系

    袋鼠云数栈阅读 767

    头像
    七猫如何用 StarRocks 打造用户增长新引擎?

    StarRocks阅读 759

    头像
    Dolphinscheduler IDEA本地调试

    journey赞 1阅读 737

    头像
    手把手教你搭建DataEase二次开发环境(Windows)

    抓bug的猫赞 1阅读 685评论 1

    头像
    Flink CDC：新一代实时数据集成框架

    ApacheFlink阅读 633

    头像
    饿了么基于Flink+Paimon+StarRocks的实时湖仓探索

    StarRocks阅读 614

    0 条评论
    得票最新