Hive窗口函數row number的用法, 你肯定都會吧!

row_number

前面我們介紹窗口函數的時候說到了窗口函數的使用場景，我們也給它起了一個名字進行區分，通用窗口函數和特殊窗口函數，今天我們就來看一下排序相關的窗口函數，因為是窗口函數，並且我們說它是用來排序的，我們大概也能猜到它就是用來對窗口內的數據進行排序的

其實關於排序我們前面也介紹過order by,sort by 等排序的方式Hive語法之常見排序方式,為什麼還有窗口函數進行排序的，因為前面的order by,sort by 等雖然可以排序但是不能給我們返回排序的值(名次)，如果你用過mysql 的話，這個時候你就知道寫存儲過程或者使用自定義變量來完成這個功能，row number 也是一樣的道理，可以按照我們自定義的排序規則，返回對應的排序先後順序的值

所以我們認為row_number是窗口排序函數，但是hive 也沒有提供非窗口的排序函數，但是我們前面說過了如果沒有窗口的定義中沒有partition by 那就是將整個數據輸入當成一個窗口，那麼這種情況下我們也可以使用窗口排序函數完成全局排序。

測試數據

下面有一份測試數據id,dept,salary,然後我們就使用這份測試數據學習我們的窗口排序函數

1,銷售,10000
2,銷售,14000
3,銷售,10000
4,後端,20000
5,後端,25000
6,後端,32000
7,AI,40000
8,AI,35000
9,AI,60000
10,數倉,20000
11,數倉,30000
12,數倉,32000
13,數倉,42000

create table ods_num_window(
    id string,
    dept string,
    salary int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
LOAD DATA LOCAL INPATH '/Users/liuwenqiang/workspace/hive/number.txt' OVERWRITE INTO TABLE ods_num_window;

從例子中學習 row_number每個部門的員工按照工資降序排序

select
    *,row_number() over(partition by dept order by salary desc) as rn
from
    ods_num_window
;

我們看到每個部門都有自己的第一名，明顯的可以看到排序是發生在每個部門內部的

全部的員工按照工資降序排序

select
    *,row_number() over(order by salary desc) as rn
from
    ods_num_window
;

當我們沒有定義partition by 子句的時候，我們的所有數據都放在一個窗口裡面，這個時候我們的排序就是全局排序，其實如果你仔細看過我們的Hive語法之窗口函數初識這一節的話，你就知道partition by 其實是定義了子窗口，如果沒有子窗口的話，那就就是一個窗口，如果所有的數據都放在一個窗口的話那就是全局排序

取每個部門的工資前兩名

這個是row_number()  函數非常常見的使用場景top-N,其實如果你仔細看過我們的Hive語法之窗口函數初識這一節的話，你就知道partition by 其實是定義了子窗口，那其實這裡的top-N,本質上是子窗口的的top-N

select
    *
from(
   select
       *,row_number() over(partition by dept order by salary desc) as rn
   from
       ods_num_window
) tmp
where
    rn <=2
;

其實這個的實現方式就是我們對數據在子窗口內進行排序，然後選擇出我們我們需要的數據，也就是這裡的rn <=2

rank 和 dense_rank

其實這兩個窗口函數和row_number 是一樣的，都是窗口排序函數，既然這樣那為什麼還有這兩個函數呢，存在即合理，我們看一下row_number 函數，這次我們採用升序排序

select
    *,row_number() over(partition by dept order by salary) as rn
from
    ods_num_window
;

我們看到在銷售部門有兩個人的工資其實是一樣的10000，但是排名不一樣

接下來我們看一下rank，我們發現銷售部門那兩個工資相等的實並列第一了，然後下一個人直接第三了

接下來我們再看一下 dense_rank，工資相等的兩個人依然是排名相等的，但是下一個人還是第二

使用場景Top-N

Top-n 前面我們已經介紹過了，這裡就不再介紹了

計算連續

什麼是計算連續呢，這個名字有點不太合理，這裡舉個例子方便大家理解，加入我有個用戶訪問日誌表，那我想篩選出哪些超過連續7天都訪問的用戶，或者我想計算連續訪問天數最大的10位用戶

下面是一份測試數據用戶ID,訪問日期

1,2020-12-01
1,2020-12-02
1,2020-12-03
1,2020-12-04
1,2020-12-05
1,2020-12-06
1,2020-12-07
1,2020-12-08
1,2020-12-09
1,2020-12-10
2,2020-12-01
2,2020-12-02
2,2020-12-03
2,2020-12-04
2,2020-12-06
2,2020-12-07
2,2020-12-08

下面是我們的建表語句

CREATE TABLE ods.ods_user_log (
  id string,
  ctime string
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS TEXTFILE;
load data local inpath '/Users/liuwenqiang/workspace/hive/user_log.txt' overwrite into table ods.ods_user_log;

現在我們分析一下這個問題，怎麼計算連續呢，計算肯定是針對同一個用戶的,然後我們可以按照用戶的訪問時間進行排序，然後我們用日期的數字減去對應的排序就會得到一個值，如果訪問時間是連續的話，我們就可以得到同一個值

select
    id,ctime,
    row_number(partition by id order by ctime ) as rn
from
    ods_user_log
;

這裡為了演示效果比較明顯，所以設計的數據有點特殊，大家可以看到對於id 是1的用戶，我們發現從12月1號到12月10號，我們的排名也依次是從1到10的，這個時候我們只要將日期變成對於的數字，然後減去對應的排名它是等於20201200的，這個時候我們只需要統計20201200的個數，這個個數就是連續登陸的天數,這裡我們就不把日期轉換成轉換成數字然後做減法了，我們直接使用日期去減。

select
    id,ctime,
    date_sub(cast(ctime as date),row_number() over(partition by id order by ctime)),
    row_number() over(partition by id order by ctime ) as rn
from
    ods_user_log
;

這下我再去統計每個用戶的相同日期有多少個即可，在我這裡因為是7天，所以我只需要計算出相同日期的個數大於等於7即可

select
    id,kt,count(1) as loginCnt
from (
    select
        id,ctime,
        date_sub(cast(ctime as date),row_number() over(partition by id order by ctime)) as kt,
        row_number() over(partition by id order by ctime ) as rn
    from
        ods_user_log
) tmp
group by
    id,kt
having
    count(1)>=7
;

我們嘗試著理解一下這個數據，它的意思就是用戶1 從(2020-11-30+1) 日開始，連續10天訪問了網站

這裡有個問題需要注意一下，那就是上面我造的數據就是每天一條的，如果每天如果有多條，那我們上面的代碼就不對了，所以這個時候我們不是需要使用dense_rank,大家注意理解一下，我們需要的是去重，大家注意理解一下

分組抽樣

其實抽樣這個東西大家都接觸過，隨機抽樣也接觸過，今天我們學習一下分組隨機抽樣，其實實現很簡單，我們使用row_number 在子窗口內隨機排序，然後抽出所需的樣本數據即可，我們還是用上面的數據，每個用戶隨機抽取三天登陸

select
    *
from (
    select
        id,ctime,
        row_number() over(partition by id order by rand() ) as rn
    from
        ods_user_log
) tmp
where rn<=3
;

總結

rank() 排序相同時會重複，總數不會變(會有間隙跳躍，數據不連續)

dense_rank() 排序相同時會重複，總數會減少(不會有間隙，數據連續的)

row_number() 會根據順序計算，不會重複不會減少

Row_number 函數常用的三種場景Top-N，計算連續，分組抽樣