我是 Hive 的新手,请原谅我对以下内容的无知。我有一个表格如下:
SELECT a.storeid, a.smonth, a.sales FROM table a;
1001 1 35000.0
1002 2 35000.0
1001 2 25000.0
1002 3 110000.0
1001 3 40000.0
1002 1 40000.0
我的目标输出如下:
1001 1 35000.0 35000.0
1001 2 25000.0 60000.0
1001 3 40000.0 100000.0
1002 1 40000.0 40000.0
1002 2 35000.0 75000.0
1002 3 110000.0 185000.0
我写了一个简单的 hive udf sum 类来实现上面的功能,并在查询中使用了 SORT BY storeid, smonth:
SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table SORT BY storeid, smonth) a;
显然,它不会产生上述输出,因为只有一个映射器并且调用了同一个 udf 实例,该实例在总集上生成运行总和。我的目标是为每个 storeid 重置 udf 类中的 runningSum 实例变量,以便评估函数返回上述输出。 我使用了以下内容: 1.传递storeid变量rsum(sales, storeid) 然后我们就可以在udf类中正确处理这种情况了。 2. 在以下查询中使用 2 个映射器:
set mapred.reduce.tasks=2;
SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table DISTRIBUTE BY storeid SORT BY storeid, smonth) a;
1002 1 40000.0 40000.0
1002 2 35000.0 75000.0
1002 3 110000.0 185000.0
1001 1 35000.0 35000.0
1001 2 25000.0 60000.0
1001 3 40000.0 100000.0
为什么1002总是出现在最前面? 除了上述方法之外,我想就我可以实现相同目的的其他不同方法(例如子查询/连接)寻求您的建议。另外,您建议的方法的时间复杂度是多少?
最佳答案
Hive 提供了一种在单行中执行此操作的更好方法 -
请按照以下流程实现您的目标输出
创建一个可以包含您的数据集的配置单元表 -
1001 1 35000.0
1002 2 35000.0
1001 2 25000.0
1002 3 110000.0
1001 3 40000.0
1002 1 40000.0
现在只需在您的配置单元终端中运行以下命令 -
SELECT storeid, smonth, sales, SUM(sales) OVER (PARTITION BY storeid ORDER BY smonth) FROM table_name;
输出会像-
1001 1 35000.0 35000.0
1001 2 25000.0 60000.0
1001 3 40000.0 100000.0
1002 1 40000.0 40000.0
1002 2 35000.0 75000.0
1002 3 110000.0 185000.0
我希望这可以帮助您获得目标输出。
关于sql - 使用配置单元 udf 函数计算运行总和,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14572519/