1、Hive窗口函数
我们先来介绍一下Hive中
几个常见的窗口函数,row_number()
,lag()
和lead()
。
1.1 row_number()
该函数的格式如下:
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。
1.2 lag()
该函数的格式如下:
lag(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。
1.3 lead()
该函数的格式如下:
lead(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式)
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。
2、窗口函数的Pandas实现
接下来,我们介绍如何使用Pandas
来实现上面的几个窗口函数。
数据使用建立如下的测试数据集:
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
我们使用C作为分组列,使用A作为窗口列。
2.1 row_number()
该函数的意思即分组排序,在pandas
中我们可以结合groupby
和rank
函数来实现和row_number()
类似的功能。
我们先看一下实现代码:
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='first')
print(df)
代码的输出为:
这样我们的row_number
功能就实现了,groupby
方法大家应该很熟悉了,那么我们主要介绍一下rank
函数,rank
函数主要有两个参数,首先是ascending
参数,决定是按照升序还是降序排列,这里我们选择的是升序。第二个参数是填充方式,主要有以下几种方式:
dense
:稠密的方式,即当两个或多个的数值相同时,使用同样的序号,同时后面的序号是该序号+1,即多个相同的值只会占用一个序号位,例如四个数的排序,中间两个数相同,那么四个数的排序为1,2,2,3。
我们用代码看一下效果:
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='dense')
print(df)
first
:即当两个或多个的数值相同时,使用不样的序号,按照数据出现的先后顺序进行排序,这个其实跟row_number的实现是相同的。
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='first')
print(df)
输出为:
max
:当两个或多个的数值相同时,使用相同的序号,不过使用的是能达到的最大的序号值。例如四个数的排序,中间两个数相同,那么四个数的排序为1,3,3,4。
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='max')
print(df)
输出为:
min
:当两个或多个的数值相同时,使用相同的序号,不过使用的是能达到的最小的序号值。例如四个数的排序,中间两个数相同,那么四个数的排序为1,2,2,4。
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='min')
print(df)
输出为:
2.2 lag/lead
函数
pandas
中使用shift
函数来实现lag/lead
函数,首先我们来看一个例子:
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
df['lag'] = df.sort_values('A').groupby('C')['A'].shift(1)
df['lead'] = df.sort_values('A').groupby('C')['A'].shift(-1)
print(df)
输出为:
可以看到,当shift
函数中的数字为正数时,我们就实现了lag
的功能,当数字为负数时,实现的是lead
的功能。不过这里切记,一定要排序哦,否则可能出现下面的结果:
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
'C':['A','B','A','B','B','A','A']})
df['lag'] = df.groupby('C')['A'].shift(1)
df['lead'] = df.groupby('C')['A'].shift(-1)
print(df)
输出如下,这个就是完全根据数据出现的顺序进行排序的,不符合我们的要求!