spark-sql中的分析函数的使用

分析函数的应用场景：

　　（1）用于分组后组内排序

　　（2）指定计算范围

　　（3）Top N

　　（4）累加计算

　　（5）层次计算

分析函数的一般语法：

　　分析函数的语法结构一般是：

　　分析函数名(参数)  over  (子partition by 句 order by 字句 rows/range 字句)

　　1、分析函数名：sum、max、min、count、avg等聚合函数

　　　　　　　　　  lead、lag等比较函数

　　　　　　　　　  rank 等排名函数

　　2、over：关键字，表示前面的函数是分析函数，不是普通的聚合函数

　　3、分析字句：over关键字后面括号内的内容为分析子句，包含以下三部分内容

• • partition by ：分组子句，表示分析函数的计算范围，各组之间互不相干
  • order by：排序子句，表示分组后，组内的排序方式
  • rows/range：窗口子句，是在分组(partition by)后，表示组内的子分组(也即窗口)，是分析函数的计算范围窗口　　　　　　

数据准备：

cookieid,createtime,pv
cookie1,2015-04-10,1
cookie1,2015-04-11,5
cookie1,2015-04-12,7
cookie1,2015-04-13,3
cookie1,2015-04-14,2
cookie1,2015-04-15,4
cookie1,2015-04-16,4
cookie2,2015-04-10,2
cookie2,2015-04-11,3
cookie2,2015-04-12,5
cookie2,2015-04-13,6
cookie2,2015-04-14,3
cookie2,2015-04-15,9
cookie2,2015-04-16,7

    val conf = new SparkConf()
    val ssc = new SparkSession.Builder()
      .appName(this.getClass.getSimpleName)
      .master("local[2]")
      .config(conf)
      .getOrCreate()

    val sc = ssc.sparkContext
    sc.setLogLevel("WARN")

    val df = ssc.read
      .option("header", "true")
      .option("inferschema", "true")
      .csv("file:///E:/TestFile/analyfuncdata.txt")

    df.show(false)
    df.printSchema()
    df.createOrReplaceTempView("table")
    val sql = "select * from table"
    ssc.sql(sql).show(false)

测试需求：

　　1、按照cookid进行分组，createtime排序，并前后求和　　

ssc.sql(
  """
    |select cookieid,createtime,pv,
    |       sum(pv) over(partition by cookieid order by createtime) as pv1,
    |from table
  """.stripMargin).show

　　运行结果：

　　　

　　2、与方式1 等价的写法

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       sum(pv) over(partition by cookieid order by createtime) as pv1,
        |       sum(pv) over(partition by cookieid order by createtime
        |       rows between unbounded preceding and current row) as pv2
        |from table
      """.stripMargin).show

　　注：这里涉及到窗口子句，后面详细叙述。

　　运行结果：

　　

　　可以看到方式1的写法其实是方式2的一种默认形式

　　3、按照cookieid分组，不进行排序，求和

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       sum(pv) over(partition by cookieid) as pv1
        |from table
      """.stripMargin).show

　　　运行结果：

　　

　　可以看出，在不进行排序的情况下，最终的求和列是每个分组的所有值得和，并非前后值相加

　　4、不进行分组，直接进行排序，求和（有问题）

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       sum(pv) over(order by createtime) as pv1
        |from table
      """.stripMargin).show

　　运行结果：　　

　　

　　由结果可以看出，如果只是按照排序，不进行分区求和，得出来的结果好像乱七八糟的，有问题，所以我一般不这么做

　　5、over子句为空的情况下

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       sum(pv) over() as pv1
        |from table
      """.stripMargin).show

　　运行结果：

　　

　　由结果看出，该种方式，其实就是对所有的行进行了求和

window子句

　　前面一开始执行了一个关于窗口子句：

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       sum(pv) over(partition by cookieid order by createtime) as pv1,
        |       sum(pv) over(partition by cookieid order by createtime
        |       rows between unbounded preceding and current row) as pv2
        |from table
      """.stripMargin).show

　　同一个select查询中存在多个窗口函数时，他们相互之间是没有影响的，每个窗口函数应用自己的规则

　　rows between unbounded preceding and current row：

• • rows between ... and ...(开始到结束，位置不能交换)
  • unbounded preceding  ：从第一行开始
  • current row：到当前行　　

　　　　当然，上述的从第几行开始到第几行是可以自定义的：

• • 首行：unbounded preceding
  • 末行：unbounded following
  • 前 n 行：n preceding
  • 后 n 行：n following　　　

　　示例需求：

　　　　　　pv：原始值

　　　　　　pv1：起始行到当前行的累计值

　　　　　　pv2：等同于pv1，语法不同

　　　　　　pv3：仅有一个合计值

　　　　　　pv4：前三行到当前行的累计值

　　　　　　pv5：前三行到后一行的累计值

　　　　　　pv6：当前行到最后一行的累计值

　　　　注：这里所指的前三行，并不包含当前行本身

　　运行结果：

　　

row & range

　　range：是逻辑窗口，是指定当前行对应值的范围取值，列数不固定，只要行值在范围内，对应列都包含在内

　　rows：是物理窗口，根据order by子句排序后，取前n行的数据以及后n行的数据进行计算（与当前行的值无关，至于排序由的行号有关）

　　需求案例：

　　　　1、对pv进行排名，求前一名到后两名的和

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       sum(pv) over(partition by cookieid order by pv
        |       range between 1 preceding and 2 following) as pv1
        |from table
      """.stripMargin).show

　　运行结果：

　　

　　　解释：

　

其他的聚合函数，用法与sum类似，比如：avg，min，max，count等

排名函数

　　排序方式：

• • row_number()　:顺序排，忽略　并列排名
  • dense_rank()     :有并列，后面的元素接着排名
  • rank()                :有并列，后面的元素跳着排名
  • ntile(n)　　       :用于将分组数据按照顺序切分成n片

　　例：

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |       row_number() over(partition by cookieid order by pv desc) rank1,
        |       rank()       over(partition by cookieid order by pv desc) rank2,
        |       dense_rank() over(partition by cookieid order by pv desc) rank3,
        |       ntile(3)     over(partition by cookieid order by pv desc) rank4
        |from table
      """.stripMargin).show

　　运行结果：

　　

lag & lead

　　lag(field,n)：取前 n 行的值

　　lead(field n)：取后 n 行的值

例：

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |lag(pv) over(partition by cookieid order by pv) as col1,
        |lag(pv,1) over(partition by cookieid order by pv) as col2,
        |lag(pv,2) over(partition by cookieid order by pv) as col3
        |from table
      """.stripMargin).show

　　运行结果：

　　

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |lead(pv) over(partition by cookieid order by pv) as col1,
        |lead(pv,1) over(partition by cookieid order by pv) as col2,
        |lead(pv,2) over(partition by cookieid order by pv) as col3
        |from table
      """.stripMargin).show

　　运行结果：

　　　

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |lead(pv,-2) over(partition by cookieid order by pv) as col1,
        |lag(pv,2) over(partition by cookieid order by pv) as col2
        |from table
      """.stripMargin).show

　　运行结果：

　　

first_value & last_value

　　first_value(field) :取分组内排序后，截止到当前行的第一个值

　　last_value(field) :取分组内排序后，截止到当前行的最后一个值

例：

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |row_number() over(partition by cookieid order by pv desc) as rank1,
        |first_value(createtime) over(partition by cookieid order by pv desc) as rank2,
        |first_value(pv) over(partition by cookieid order by pv desc) as rank3
        |from table
      """.stripMargin).show

　　运行结果：

　　

ssc.sql(
      """
        |select cookieid,createtime,pv,
        |row_number() over(partition by cookieid order by pv desc) as rank1,
        |last_value(createtime) over(partition by cookieid order by pv desc) as rank2,
        |last_value(pv) over(partition by cookieid order by pv desc) as rank3
        |from table
      """.stripMargin).show

　　运行结果：

　　

cube & rollup

　　cube：根据group by维度的所有组合进行聚合

　　rollup：是cube的自己，以左侧的维度为主，进行层级聚合

例：

ssc.sql(
      """
        |select cookieid,createtime,sum(pv)
        |from table
        |group by cube(cookieid,createtime)
        |order by 1,2
      """.stripMargin).show(100,false)

　　运行结果：

　　

ssc.sql(
      """
        |select cookieid,createtime,sum(pv)
        |from table
        |group by rollup(cookieid,createtime)
        |order by 1,2
      """.stripMargin).show(100,false)

　　运行结果：

　　

DSL

　　

　  import org.apache.spark.sql.expressions.Window
    import ssc.implicits._
    import org.apache.spark.sql.functions._
    val w1 = Window.partitionBy("cookieid").orderBy("createtime")
    val w2 = Window.partitionBy("cookieid").orderBy("pv")

    //聚合函数
    df.select($"cookieid", $"pv", sum("pv").over(w1).alias("pv1")).show()

    //排名
    df.select($"cookieid", $"pv", rank().over(w2).alias("rank")).show()
    df.select($"cookieid", $"pv", dense_rank().over(w2).alias("dense_rank")).show()
    df.select($"cookieid", $"pv", row_number().over(w2).alias("row_number")).show()

    //lag、lead
    df.select($"cookieid", $"pv", lag("pv", 2).over(w2).alias("row_number")).show()
    df.select($"cookieid", $"pv", lag("pv", -2).over(w2).alias("row_number")).show()

    //cube、rollup
    df.cube("cookieid", "createtime").agg(sum("pv")).show()
    df.rollup("cookieid", "createtime").agg(sum("pv")).show()

　　运行结果：

　　1、聚合函数

　　

　　2、排名函数：

　　  

　　lag、lead

　　 

　　cube、rollup