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