devbox
木道寻08
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

HiveSQL题——炸裂函数(explode/posexplode)

作者：木道寻08 | 2024-06-21 06:20:58

赞

踩

炸裂函数

目录

一、炸裂函数的知识点

1.1 炸裂函数

 explode 

posexplode

1.2 lateral view 侧写视图

二、实际案例

2.1 每个学生及其成绩

0 问题描述

1 数据准备

2 数据分析

3 小结

2.2 日期交叉问题

0 问题描述

1 数据准备

2 数据分析

3 小结

2.3 用户消费金额

0 问题描述

1 数据准备

2 数据分析

3 小结

一、炸裂函数的知识点

           炸裂函数（一行变多行）本质属于UDTF函数（接收一行数据，输出一行或者多行数据）。

1.1 炸裂函数

  •  explode 

  1.  (1)explode(array<T> a) --> explode针对数组进行炸裂
  2.     语法：lateral view explode(split(a,',')) tmp  as new_column
  3.     返回值：string
  4.     说明:按照分隔符切割字符串，并将数组中内容炸裂成多行字符串
  5.     举例：select student_score from test lateral view explode(split(student_score,',')) tmp as item; 输出结果为：
  6.       student_score        item
  7.       [a,b,c]        =>     a
  8.                             b
  9.                             c
  10.                
  11.  (2)explode(map<k,v> m) --> explode针对map键值对进行炸裂
  12.     举例：select explode(map('a',1,'b',2,'c',3)) as (key,value); 输出结果为：
  13.     得到                 key value
  14.       {a:1,b:2,c:3} =>   a   1
  15.                          b   2
  16.                          c   3

  • posexplode

  1. posexplode和explode之间的区别：posexplode除了返回数据，还会返回该值的下角标。
  2.  
  3.  (1)posexplode(array<T> a) 
  4.     语法：lateral view posexploed(split(a,',')) tmp as pos,item 
  5.     返回值：string
  6.     说明:按照分隔符切割字符串，并将数组中内容炸裂成多行字符串(炸裂具备下角标 0,1,2,3)
  7.     举例1：select posexplode (array('a','b','c')) as pos,item; 输出结果为：
  8.                   pos  item
  9.       [a,b,c] =>   0     a
  10.                    1     b
  11.                    2     c
  12.     ---------------------------------
  13.     举例2：对student_name进行炸裂，同时也对student_score进行炸裂，且需要保证炸裂后，学生和成绩一一对应，不能错乱。
  14.    lateral view posexplode(split(student_name,',')) tmp1 as student_name_index,student_name
  15.    lateral view posexplode(split(student_score,',')) tmp2 as student_score_index,student_score
  16.   where student_name_index = student_score_index;

1.2 lateral view 侧写视图

官网链接：LanguageManual LateralView - Apache Hive - Apache Software Foundation

  • 定义：lateral view 通常与UDTF配合使用，侧视图的原理是将UDTF的结果构建成一个类似于视图的表，再将原表中的每一行和UDTF函数输出的每一行进行连接，生成一张新的虚拟表。
  • 举例：select id, name,  hobbies, hobby  from   person  lateral view explode(hobbies) tmp as hobby;  代码分析： 对原表person中的hobbies列进行炸裂（一行变多行），利用侧视图lateral view对该UDTF产生的记录设置字段名称为hobby, 再将原表中person的一每行与hobby进行连接形成一个虚拟表，命名为tmp。
  • 注意：使用lateral view时侧写视图时，可以对UDTF产生的记录设置字段名称，上述例子为hobby，产生的hobby字段可以用于group by、order by 、limit等语句中，不需要再单独嵌套一层子查询

二、实际案例

2.1 每个学生及其成绩

0 问题描述

   根据学生成绩表，计算学生的成绩。

1 数据准备

  1. create table if not exists table10
  2. (
  3.     class    string comment '班级名称',
  4.     student string comment '学生名称',
  5.     score   string comment '学生分数'
  6. )
  7.     comment '学生成绩表';
  8. INSERT overwrite table table10
  9. VALUES ("1班","小A,小B,小C","80,92,70"),
  10.        ("2班","小D,小E","88,62"),
  11.        ("3班","小F,小G,小H","90,97,85");

2 数据分析

思路一：lateral view + explode

  1.  
  2. select
  3.     class,
  4.     student,
  5.     score,
  6.     student_name,
  7.     student_score
  8. from table10 lateral view explode(split(student, ',')) tmp1 as student_name
  9.          lateral view explode(split(score, ',')) tmp2 as student_score;

  bug:上面逻辑能跑通，但是学生姓名和学生成绩对应不上，出现错乱，弃用。

 正确的代码如下：

  思路二： lateral view + posexplode

  1.  
  2. select
  3.     class,
  4.     student,
  5.     score,
  6.     student_name,
  7.     student_score
  8. from table10 lateral view posexplode(split(student, ',')) tmp3 as student_index_st, student_name
  9.          lateral view posexplode(split(score, ',')) tmp4 as student_index_sc, student_score
  10. where student_index_st = student_index_sc;
  11.

 说明：student_index_st = student_index_sc 的作用:下角标对齐，实现学生和成绩一一对应

3 小结

   上述案例的学生成绩表中，【学生姓名】字段和【学生成绩】都是数组类型的字符串，我们需要对两个字段分别炸裂后，实现每个学生与其成绩一一对应，因此需要借助posexlode函数的pos下角标进行约束。（用explode函数无法实现）

2.2 日期交叉问题

0 问题描述

   统计每个品牌的总营销天数（营销日期有重叠的地方需要去重）

1 数据准备

  1. create table promotion_info
  2. (
  3.     promotion_id string comment '优惠活动id',
  4.     brand        string comment '优惠品牌',
  5.     start_date   string comment '优惠活动开始日期',
  6.     end_date     string comment '优惠活动结束日期'
  7. ) comment '各品牌活动周期表';
  8.  
  9. insert overwrite table promotion_info
  10. values (1, 'oppo', '2021-06-05', '2021-06-09'),
  11.        (2, 'oppo', '2021-06-11', '2021-06-21'),
  12.        (3, 'vivo', '2021-06-05', '2021-06-15'),
  13.        (4, 'vivo', '2021-06-09', '2021-06-21'),
  14.        (5, 'redmi', '2021-06-05', '2021-06-21'),
  15.        (6, 'redmi', '2021-06-09', '2021-06-15'),
  16.        (7, 'redmi', '2021-06-17', '2021-06-26'),
  17.        (8, 'huawei', '2021-06-05', '2021-06-26'),
  18.        (9, 'huawei', '2021-06-09', '2021-06-15'),
  19.        (10, 'huawei', '2021-06-17', '2021-06-21');

2 数据分析

思路一：用带有下标的炸裂函数posexplode将活动区间炸裂成具体的每一天的日期。即：将同一个品牌的所有活动日期都有列出来，再对重叠的日期进行统一去重

  1.  
  2. select brand,
  3.     count(distinct event_date)
  4.     from
  5. (
  6.     select
  7.     promotion_id,
  8.     brand,
  9.     start_date,
  10.     -- 用 start_date + 下角标pos 
  11.     date_add(start_date,pos) as event_date,
  12.     pos
  13. from (
  14.          select
  15.              promotion_id,
  16.              brand,
  17.              start_date,
  18.              end_date,
  19.              split(space(datediff(end_date, start_date)), '') as ar
  20.          from promotion_info
  21.      ) tmp1
  22.          lateral view posexplode(ar) tmp2 as pos, item
  23. )tmp2
  24. group by brand;

    思路一的代码拆解分析：

  1. 以一条数据为例，
  2.  promotion_id      brand       start_date       end_date
  3.      1             'oppo'     '2021-06-05'    '2021-06-09'
  4. （1）  split(space(datediff(end_date, start_date)), '') as diff 的结果：
  5.       根据[9-5]=4,利用space函数生成长度是4的空格字符串，再利用split函数切割
  6.        1 (promotion_id) , 'oppo'(brand) , '2021-06-05'(start_date) ,'2021-06-09'(end_date) 
  7.         ,  diff ["","","","",""]
  8.  
  9. （2）用posexplode经过转换增加行（列转行，炸裂），通过下角标pos来获取 event_date，
  10.      根据数组["","","","",""]，得到pos的取值是0,1,2,3,4
  11.      炸裂得出下面五行数据（一行变五行）
  12.      1,oppo,2021-06-05(start_date),2021-06-05= date_add(2021-06-05,0) (event_date= start_date+pos)
  13.      1,oppo,2021-06-05(start_date),2021-06-06= date_add(2021-06-05,1) (event_date= start_date+pos)
  14.      1,oppo,2021-06-05(start_date),2021-06-07 = date_add(2021-06-05,2) (event_date= start_date+pos)
  15.      1,oppo,2021-06-05(start_date),2021-06-07 = date_add(2021-06-05,3) (event_date= start_date+pos)
  16.      1,oppo,2021-06-05(start_date),2021-06-08 = date_add(2021-06-05,4) (event_date= start_date+pos)
  17.      1,oppo,2021-06-05(start_date),2021-06-09 = date_add(2021-06-05,5) (event_date= start_date+pos)
  18. 炸裂的目的：活动的优惠时间段[ '2021-06-05' ,  '2021-06-09' ] 拆分成具体的
  19. 每一天event_date：
  20.  '2021-06-05',
  21.  '2021-06-06',
  22.  '2021-06-07',
  23.  '2021-06-08',
  24.  '2021-06-09'
  25. （3）根据品牌brand进行分组，求count(distinct event_date) ，从而得到每品牌的总营销天数（营销日期有重叠的地方已经去重了）

      思路二：用带有下标的炸裂函数posexplode

  1.  
  2. select brand,
  3.     count(distinct event_date)
  4.     from
  5. (
  6.     select
  7.     promotion_id,
  8.     brand,
  9.     start_date,
  10.     date_add(start_date,pos) as event_date,
  11.     pos
  12. from (
  13.          select
  14.              promotion_id,
  15.              brand,
  16.              start_date,
  17.              end_date,
  18.              split(repeat(',',datediff(end_date, start_date)),',') as ar
  19.          from promotion_info
  20.      ) tmp1
  21.          lateral view posexplode(ar) tmp2 as pos, item
  22. )tmp2
  23. group by brand;

     思路二的代码拆解分析:跟思路一的逻辑基本是一样的 ，区别仅在于：用代码       split(repeat(',',datediff(end_date, start_date)),',') as ar 去替换 split(space(datediff(end_date, start_date)), '') as ar

     思路三的代码逻辑如下：

  1.  
  2. select
  3.     brand,
  4.     --对品牌brand分组求sum的原因:同一个用户可能对应多段不交叉的活动
  5.     sum(datediff(end_date, new_start_date) + 1) days 
  6. from (
  7.          select
  8.              brand,
  9.              new_start_date,
  10.              end_date
  11.          from (
  12.                   select
  13.                       brand,
  14.                       --判断逻辑：1.如果max_end_date是null(意味着当前行就是首行，不存在上一行了)，直接取start_date
  15.                       --2.如果max_end_date不是null,进一步判断【当前行】的start_date与max_end_date的大小，如果start_date小，那用max_date+ 1的值作为【当前行】的新new_start_date
  16.                       if(max_end_date is null, start_date,
  17.                          if(start_date > max_end_date, start_date, date_add(max_end_date, 1))) new_start_date,
  18.                       end_date
  19.                   from (
  20.                            select
  21.                                brand,
  22.                                start_date,
  23.                                end_date,
  24.                                -- 开窗范围:同一个品牌内部:上无边界到截止到上一行
  25.                                -- 开窗的计算逻辑：max(end_date)  --> 对【上无边界到上一行】的最大结束时间end_date进行标记，再与当前行的起始时间start_date进行比对
  26.                                max(end_date)
  27.                                    over (partition by brand order by start_date rows between unbounded preceding and 1 preceding) max_end_date
  28.                            from promotion_info
  29.                        ) t1
  30.               ) t2
  31.          -- 需要保证每行数据的新的起始时间new_start_date 比 结束时间end_date 小
  32.          where new_start_date < end_date
  33.      ) t3
  34. group by brand;

     思路三：没有用到炸裂函数，关键思想是：当活动的上一个日期区间A 与 当前的日期区间B出现重叠（日期交叉，有重复数据）时，需要将区间B的起始时间改成区间A的结束时间。（修改之后需要保证B区间的结束时间> 开始时间）

3 小结

    上述代码中用到的函数有：

  1. 一、字符串函数
  2.  1、空格字符串函数：space
  3.  语法：space(int n)
  4.  返回值：string
  5.  说明：返回值是n的空格字符串
  6.  举例：select length (space(10)) --> 10
  7.  一般space函数和split函数结合使用：select split(space(3),'');  -->   ["","","",""]
  8.  
  9.  
  10.  2、split函数（分割字符串）
  11.  语法：split(string str,string pat)
  12.  返回值：array
  13.  说明：按照pat字符串分割str,会返回分割后的字符串数组
  14.  举例：select split ('abcdf','c') from test; -> ["ab","df"]
  15.  
  16.  3、repeat：重复字符串
  17.  语法：repeat(string A, int n)
  18.  返回值：string
  19.  说明：将字符串A重复n遍。
  20.  举例：select repeat('123', 3); -> 123123123
  21.  一般repeat函数和split函数结合使用：select split(repeat(',',4),',');  -->  
  22.   ["","","","",""]
  23.  
  24.  
  25. 二、炸裂函数
  26.  explode 
  27.     语法：lateral view explode(split(a,',')) tmp  as new_column
  28.     返回值：string
  29.     说明:按照分隔符切割字符串，并将数组中内容炸裂成多行字符串
  30.     举例：select student_score from test lateral view explode(split(student_score,',')) 
  31. tmp as student_score
  32.  
  33. posexplode
  34.     语法：lateral view posexploed(split(a,',')) tmp as pos,item 
  35.     返回值：string
  36.     说明:按照分隔符切割字符串，并将数组中内容炸裂成多行字符串(炸裂具备瞎下角标 0,1,2,3)
  37.     举例：select student_name, student_score from test
  38.    lateral view posexplode(split(student_name,',')) tmp1 as student_name_index,student_name
  39.    lateral view posexplode(split(student_score,',')) tmp2 as student_score_index,student_score
  40.    where student_score_index = student_name_index
  41.

2.3 用户消费金额

0 问题描述

    变更需求：table11表的第1,4列不表，第2列需要变更为连续日期，第3列需要变更成【截止当月的累积消费额】

1 数据准备

  1. create table if not exists table11
  2. (
  3.     user_id  string comment '用户标识',
  4.     dt       string comment '消费日期',
  5.     price    string comment '消费金额',
  6.     qs       int comment '用户应存期数'
  7. )
  8.     comment '用户消费详情表';
  9. INSERT overwrite table table11
  10. VALUES ("A","2018-12-21","9439.30",12),
  11.        ("A","2019-03-21","9439.30",12),
  12.        ("A","2019-06-21","9439.30",12),
  13.        ("A","2019-09-21","9439.30",12),
  14.        ("B","2018-12-02","9439.30",10),
  15.        ("B","2019-02-02","9439.30",10),
  16.        ("B","2019-06-02","9439.30",10);

2 数据分析

  1. -- 思路一：利用posexplode函数进行炸裂，同时生成下角标pos，
  2. --将消费区间(一行)炸裂成多行
  3. select
  4.     tmp3.user_id,
  5.     tmp3.event_dt,
  6.    -- sum() over(partition by .. order by .. ) 窗口计算的范围是：上无边界（起始行）到当前行，求消费金额的累积值(order by 后面没有窗口子句的情况下，窗口范围是：上无边界（起始行）到当前行)
  7.     cast(sum(tmp4.price) over (partition by tmp3.user_id order by tmp3.event_dt) as decimal(18, 2)) as price,
  8.     tmp3.max_qs
  9. from (
  10.          select
  11.              user_id,
  12.              add_months(min_dt, pos) as event_dt,
  13.              max_qs,
  14.              pos
  15.          from (
  16.                   select
  17.                       user_id,
  18.                       min(dt ) as min_dt,
  19.                       max(price) max_price,
  20.                       max(qs)    max_qs
  21.                   from table11
  22.                   group by user_id
  23.               ) tmp1 lateral view posexplode(split(space(max_qs), '')) tmp2 as pos, item
  24.      ) tmp3
  25.          left join (select
  26.                         user_id,
  27.                         dt,
  28.                         price
  29.                     from table11) tmp4
  30.                    on tmp3.user_id = tmp4.user_id and tmp3.event_dt= tmp4.dt;

3 小结

   利用posexplode的下角标pos进行填补连续。利用sum(price)over(partition by ..order by)进行消费金额的累积值统计（截止到当日）

（1）lateral view posexplode(split(space(max_qs), '')) tmp2 as pos, item；-->对字段 期数ds进行posexplode炸裂，一行变多行，且生成对应的下角标pos

（2）add_months(min_ds, pos) as new_ds; --> 基于min_dt + pos对消费日期 进行填补，组成连续的消费日期区间。

 待补充：炸裂的弊端是可能会发生数据膨胀，当数据集小的时候，用炸裂方便，当时数据集大时，需慎用。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/木道寻08/article/detail/742280
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号