1、函数
1.1 窗口函数
- FIRST_VALUE：取分组内排序后，截止到当前行，第一个值
- LAST_VALUE：取分组内排序后，截止到当前行，最后一个值
- LEAD(col,n,DEFAULT)：用于统计窗口内往后第n行值。
- 第一个参数为列名，
- 第二个参数为往下第n行（可选，默认为1），
- 第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）
- LAG(col,n,DEFAULT)：用于统计窗口内往前第n行值。
- 第一个参数为列名，
- 第二个参数为往上第n行（可选，默认为1），
- 第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）
1.2 over从句
- 使用标准的聚合函数
COUNT、SUM、MIN、MAX、AVG
- 使用
PARTITION BY
- 使用
PARTITION BY
ORDER BY
使用窗口规范，窗口规范支持以下格式：
(ROWS | RANGE) BETWEEN (UNBOUNDED | [num]) PRECEDING AND ([num] PRECEDING | CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
(ROWS | RANGE) BETWEEN CURRENT ROW AND (CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
(ROWS | RANGE) BETWEEN [num] FOLLOWING AND (UNBOUNDED | [num]) FOLLOWING 注意：
- 当
ORDER BY
RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
- 当
ORDER BY
ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING
1.3 分析函数
- ROW_NUMBER()
从1开始，按照顺序，生成分组内记录的序列。
比如，按照pv降序排列，生成分组内每天的pv名次,ROW_NUMBER()的应用场景非常多，再比如，获取分组内排序第一的记录;获取一个session中的第一条refer等。
数据顺序：1234
数据排名：1234
- RANK()
生成数据项在分组中的排名，排名相等会在名次中留下空位，如果有重复的，会跳数。
数据顺序：1234
数据排名：1224
- DENSE_RANK()
生成数据项在分组中的排名，排名相等会在名次中不会留下空位，如果有重复的，不会跳数。
数据顺序：1234
数据排名：1223
- CUME_DIST
小于等于当前值的行数/分组内总行数。比如，统计小于等于当前薪水的人数，所占总人数的比例
- PERCENT_RANK
分组内当前行的RANK值-1/分组内总行数-1
- NTILE(n)
用于将分组数据按照顺序切分成n片，返回当前切片值，如果切片不均匀，默认增加第一个切片的分布。
NTILE不支持ROWS BETWEEN：比如
NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW)。
2、案例
2.1 数据集准备
hive (default)> select * from student;
OK
business.name business.orderdate business.cost
jack 2017-01-01 10
tony 2017-01-02 15
jack 2017-02-03 23
tony 2017-01-04 29
jack 2017-01-05 46
jack 2017-04-06 42
tony 2017-01-07 50
jack 2017-01-08 55
mart 2017-04-08 62
mart 2017-04-09 68
neil 2017-05-10 12
mart 2017-04-11 75
neil 2017-06-12 80
mart 2017-04-13 94 
2.2 COUNT、SUM、MIN、MAX、AVG
select name,orderdate,cost,
-- 所有行相加
sum(cost) over() as c1,
-- 按name分组，组内相加
sum(cost) over(partition by name) as c1,
-- （默认起点到当前行相加）按name分组，orderdate排序，组内相加
sum(cost) over(partition by name order by orderdate) as c2,
-- 起点到当前行的
sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row ) as c3,
-- 当前行+前面2行
sum(cost) over(partition by name order by orderdate rows between 2 preceding and current row ) as c4,
-- 当前行+后面2行
sum(cost) over(partition by name order by orderdate rows between current row and 2 following ) as c5,
-- 前面2行+当前行+后面2行
sum(cost) over(partition by name order by orderdate rows between 2 preceding and 2 following ) as c6,
-- （partition by .. order by）可替换为（distribute by .. sort by ..）
sum(cost) over(partition by name order by orderdate rows between 2 preceding and 2 following ) as c7
from business; 注意:
- 结果和ORDER BY相关，默认为升序
- 如果不指定ROWS BETWEEN,默认为从起点到当前行;
- 如果不指定ORDER BY，则将分组内所有值累加;
- order by必须跟在partition by后;
- Rows必须跟在Order by子；
- （partition by .. order by）可替换为（distribute by .. sort by ..）
Window子句：
- PRECEDING：往前
- FOLLOWING：往后
- CURRENT ROW：当前行
- UNBOUNDED：无界限（起点或终点）
- UNBOUNDED PRECEDING：表示从前面的起点
- UNBOUNDED FOLLOWING：表示到后面的终点
2.3 first_value与last_value
select name,orderdate,cost,
row_number() over(partition by name order by cost) c1,
-- 正序时：当前行到第一个值之间，第一个值
first_value(cost) over(partition by name order by cost) c2,
-- 正序时：当前行到最后一个值之间，最后一个值
last_value(cost) over(partition by name order by cost) c3,
-- 倒序时：当前行到第一个值之间，第一个值
first_value(cost) over(partition by name order by cost desc) c4,
-- 倒序时：当前行到最后一个值之间，最后一个值
last_value(cost) over(partition by name order by cost desc) c5,
row_number() over(partition by name order by cost desc) c6
from business; 2.4 lead与lag
select name,orderdate,cost,
-- 分组内当前行，往后第一行的值（不包括当前行）
lead(cost) over(partition by name order by cost) c1,
-- 分组内当前行，往后第二行的值（不包括当前行）
lead(cost,2) over(partition by name order by cost) c2,
-- 分组内当前行，往后第二行的值（不包括当前行），如果为null，则用9999代替
lead(cost,2,9999) over(partition by name order by cost) c3,
-- 分组内当前行，往前第一行的值（不包括当前行）
lag(cost) over(partition by name order by cost) c4,
-- 分组内当前行，往前第二行的值（不包括当前行）
lag(cost,2) over(partition by name order by cost) c5,
-- 分组内当前行，往前第二行的值（不包括当前行），如果为null，则用-1代替
lag(cost,2,-1) over(partition by name order by cost) c6
from business; 2.5 RANK、ROW_NUMBER、DENSE_RANK
select
name,orderdate,cost,c,
-- 自然序号排序，不跳数，不重复
ROW_NUMBER() over(partition by name order by c) c1,
-- 排序相同，中间会跳数，总数不变
RANK() over(partition by name order by c) c2,
-- 排序相同，中间不会跳数，总数会减少
DENSE_RANK() over(partition by name order by c) c3
from(
select name,orderdate,cost,date_format(orderdate,'yyyyMM') c
from business
)T; 2.6 NTILE
select name,orderdate,cost,
-- 将组内数据分成1片
ntile(1) over(partition by name order by orderdate) c1,
-- 将组内数据分成2片
ntile(2) over(partition by name order by orderdate) c2,
-- 将组内数据分成3片
ntile(3) over(partition by name order by orderdate) c3,
-- 将组内数据分成4片
ntile(4) over(partition by name order by orderdate) c4
from business; 注意：
如果切片不均匀，默认增加第一个切片的分布
例如：求20%的数据（按时间排序）
select * from(
select name,orderdate,cost,
-- 查询20%时间的订单
ntile(5) over(order by orderdate) c
from business
)T where c=1; 2.7 CUME_DIST、PERCENT_RANK
CUME_DIST
select name,orderdate,cost,
-- 不分组，所有数据为一组，当前行占总行数的比例，
-- 第一行：1/14=0.07142857142857142
-- 第二行：2/14=0.14285714285714285
CUME_DIST() over(order by orderdate) ,
-- 组内，计算当前行的行数/组内总行数
CUME_DIST() over(partition by name order by orderdate)
from business; PERCENT_RANK
select name,orderdate,cost,
-- 按name分组，组内的行数
sum(1) over(partition by name),
-- 所有数据，按时间排序，排名
rank() over(order by orderdate),
-- （排名-1）/（总行数-1）
-- 第1行：排名1，（1-1）/（14-1）= 0
-- 第2行：排名4，（4-1）/（14-1）= 0.23076923076923078
-- 第3行：排名6，（6-1）/（14-1）= 0.38461538461538464
PERCENT_RANK() over(order by orderdate),
-- （组内当前行-1） / （当前组总行-1）
-- 第1行：（1-1）/（5-1）=0
-- 第2行：（2-1）/（5-1）=0.25
-- 第3行：（3-1）/（5-1）=0.5
PERCENT_RANK() over(partition by name order by orderdate)
from business;