开窗函数 lag_开窗函数lag和lead

Hive SQL 大厂必考常用窗口函数及相关面试题
　　全网最全大数据面试提升手册！目录

　　一、窗口函数概述：1.窗口函数的分类2.窗口函数与普通聚合函数的区别：

　　二、窗口函数的基本用法1.基本语法2.设置窗口的方法1）window_name2）partition by 子句3) order by子句4）rows 指定窗口大小3.开窗函数中加order by 和 不加 order by的区别

　　三、窗口函数用法举例1.序号函数：row_number() / rank() / dense_rank()（面试重点）2.分布函数：percent_rank() / cume_dist()3.前后函数 lag(expr,n,defval)、lead(expr,n,defval)（面试重点）4.头尾函数：FIRST_VALUE(expr),LAST_VALUE(expr)5.聚合函数+窗口函数联合使用

　　四、面试题1.用户行为分析2.学生成绩分析

　　一、窗口函数概述：

　　窗口函数也称为OLAP函数，OLAP 是OnLine Analytical Processing 的简称，意思是对数据库数据进行实时分析处理。例如，市场分析、创建财务报表、创建计划等日常性商务工作。窗口函数就是为了实现OLAP 而添加的标准SQL 功能。1. 窗口函数的分类

　　按照功能划分：

　　序号函数：row_number() / rank() / dense_rank()

　　分布函数：percent_rank() / cume_dist()

　　前后函数：lag() / lead()

　　头尾函数：first_val() / last_val()

　　聚合函数+窗口函数联合：

　　求和 sum() over()

　　求最大/小 max()/min() over()

　　求平均 avg() over()

　　其他函数：nth_value() / nfile()

　　如上，窗口函数的用法多种多样，不仅有专门的的窗口函数，还可以与聚合函数配合使用。2. 窗口函数与普通聚合函数的区别：

　　聚合函数是将多条记录聚合为一条；窗口函数是每条记录都会执行，有几条记录执行完还是几条。

　　窗口函数兼具GROUP BY 子句的分组功能以及ORDER BY 子句的排序功能。但是，PARTITION BY 子句并不具备 GROUP BY 子句的汇总功能。

　　举例：若原表中有id一样的10行数据，使用GROUP BY，返回的结果是将多条记录聚合成一条；而使用 rank() 等窗口函数并不会减少原表中 记录的行数，结果中仍然包含 10 行数据。

　　窗口函数兼具分组和排序两种功能。

　　二、窗口函数的基本用法

　　如有基础数据：1. 基本语法

　　其中：

　　<窗口函数>：指需要使用的分析函数，如row_number()、sum()等。

　　over() : 用来指定函数执行的窗口范围，这个数据窗口大小可能会随着行的变化而变化；

　　如果括号中什么都不写，则意味着窗口包含满足WHERE条件的所有行，窗口函数基于所有行进行计算。如：

　　结果：

　　sum(score) over() as sum_score 会聚合所有的数据，将结果接到每一行的后面(窗口函数不会改变结果原表行数)。2. 设置窗口的方法

　　如果不为空,则支持以下4中语法来设置窗口。

　　1）window_name

　　给窗口指定一个别名。如果SQL中涉及的窗口较多,采用别名可以看起来更清晰易读，如：

　　2）partition by 子句

　　窗口按照哪些字段进行分组,窗口函数在不同的分组上分别执行，如：

　　实例1：

　　结果：

　　sum(score) OVER(PARTITION BY uid) AS sum_score 会按照 uid 分组，分别求和，展示在每个分组的末尾。

　　如果我想看某个uid有多少行记录，并标明序号该如何实现？使用序号函数row_number()请看：

　　可以看到，row_number()按照uid分组并从上到下按照顺序标号。我们看到1004中的score是无序的，如果想按照score降序排名应该怎么做呢？(实际场景：成绩排名)

　　可以结合 order by 子句实现

　　3）order by子句

　　按照哪些字段进行排序,窗口函数将按照排序后的记录顺序进行编号，如：

　　这样就实现了每个uid内的分数降序排名，order by 后面可以跟多个列名，大家可以试一试。

　　当order by 与聚合类函数连用时，特别需要注意理解，如下面几个例子：

　　先看前面的例子，单独使用 partition by uid

　　结果：

　　单独使用order by uid

　　结果：

　　注意观察uid 从1004->1005的变化，两条SQL的结果有什么不同：

　　partition by 按照uid分组，分别对score求和，”接到每一行的末尾“

　　分组内求和，分组间相互独立。

　　order by 按照uid排序，对”序号“相同的元素进行求和，不同”序号“的数累加求和

　　如果将”序号“认为是分组的话，个人理解这是一个分组求和并累加的过程

　　即分组内求和，分组间累加。

　　再看，order by score 的例子

　　结果：

　　总结一下：

　　如果使⽤环境为hive，over()开窗函数前分排序函数和聚合函数两种。

　　当为排序函数，如row_number(),rank()等时，over中的order by只起到窗⼝内排序作⽤。

　　当为聚合函数，如max，min，count等时，over中的order by不仅起到窗⼝内排序，还起到窗⼝内从当前⾏到之前所有⾏的聚合（多了⼀个范围）。

　　4）rows 指定窗口大小

　　a.先看个例子，按照顺序，求score的平均值：

　　注意score相同的部分：

　　如果想要sql先按照score降序排列，每一行计算从第一行到当前行的score平均值，该怎么计算呢？——想办法做一个不重复的key

　　实现：

　　现在改下需求，希望求"我与前两名的平均值"应该怎么实现呢？

　　分析一下，"我与前两名"指的是当前行以及前两行总共三行数据求平均，也就是说，我们需要限定窗口的范围或者窗口大小。

　　b.引入窗口框架

　　指定窗口大小，又称为窗口框架。框架是对窗口进行进一步分区，框架有两种范围限定方式：

　　一种是使用 ROWS 子句，通过指定当前行之前或之后的固定数目的行来限制分区中的行数。

　　另一种是使用 RANGE 子句，按照排列序列的当前值，根据相同值来确定分区中的行数。

　　语法：

　　RANGE | ROWS的区别是什么？

　　RANGE表示按照值的范围进行范围的定义，而ROWS表示按照行的范围进行范围的定义；边界规则的可取值见下表：

　　需要注意：

　　当使用框架时，必须要有 order by 子句，如果仅指定了order by 子句而未指定框架，那么默认框架将采用 RANGE UNBOUNDED PRECEDING AND CURRENT ROW（表示当前行以及一直到第一行的数据）。

　　如果窗口函数没有指定 order by 子句，也就不存在 ROWS/RANGE 窗口的计算。

　　PS: RANGE 只支持使用 UNBOUNDED 和 CURRENT ROW 窗口框架分隔符。

　　OK，回到前面的需求：求"我与前两名的平均值"。因为要"我与前两名"，所以我们会用到规则 2 PRECEDING

　　如果要求当前行及前后一行呢？

　　结果略~

　　其他组合举例：3. 开窗函数中加order by 和 不加 order by的区别

　　如果使⽤环境为hive，over()开窗函数前分排序函数和聚合函数两种。

　　当为排序函数，如row_number(),rank()等时，over中的order by只起到窗⼝内排序作⽤。

　　当为聚合函数，如max，min，count等时，over中的order by不仅起到窗⼝内排序，还起到窗⼝内从当前⾏到之前所有⾏的聚合（多了⼀个范围）。

　　如：

　　上⾯①②中的min_salary字段的值会不⼀样，原因是②中使⽤order by后，等同于 min(salary) over(partition by dept order by userid range between unbounded preceding and current row )，当然可以在order by后使⽤框架⼦句，即rows，range等，如果没有写框架⼦句，就默认在窗⼝范围中当前⾏到之前所有⾏的数据进⾏统计。

　　再看个例子：

　　得到结果：

　　需要注意表中标注的部分

　　三、窗口函数用法举例

　　1. 序号函数：row_number() / rank() / dense_rank()（面试重点）

　　三者区别：

　　RANK(): 并列排序，跳过重复序号——1、1、3

　　ROW_NUMBER(): 顺序排序——1、2、3

　　DENSE_RANK(): 并列排序，不跳过重复序号——1、1、2

　　我们来探索一下，如果不使用窗口函数，如何实现分数排序呢？（使用自连接的方法）

　　这里1234447..，如果想要7改为5呢，不跳过位次。相当于DENSE_RANK 函数。

　　只需要改 COUNT(P2.score) 为 COUNT(distinct P2.score) 即可。2. 分布函数：percent_rank() / cume_dist()

　　1）percent_rank():

　　percent_rank()函数将某个数值在数据集中的排位作为数据集的百分比值返回，此处的百分比值的范围为 0 到 1。此函数可用于计算值在数据集内的相对位置。如班级成绩为例，返回的百分数30%表示某个分数排在班级总分排名的前30%。

　　每行按照公式(rank-1) / (rows-1)进行计算。其中，rank为RANK()函数产生的序号，rows为当前窗口的记录总行数。

　　2）cume_dist():

　　如果按升序排列，则统计：小于等于当前值的行数/总行数。

　　如果是降序排列，则统计：大于等于当前值的行数/总行数。

　　如:查询小于等于当前成绩（score）的比例。3. 前后函数 lag(expr,n,defval)、lead(expr,n,defval)（面试重点）

　　Lag()和Lead()分析函数可以在同一次查询中取出同一字段的前N行的数据(Lag)和后N行的数据(Lead)作为独立的列。

　　在实际应用当中，若要用到取今天和昨天的某字段差值时，Lag()和Lead()函数的应用就显得尤为重要。当然，这种操作可以用表的自连接实现，但是LAG()和LEAD()与left join、rightjoin等自连接相比，效率更高，SQL更简洁。下面我就对这两个函数做一个简单的介绍。

　　函数语法如下：

　　其中

　　exp_str 是字段名

　　Offset 是偏移量，即是上1个或上N个的值，假设当前行在表中排在第5行，offset 为3，则表示我们所要找的数据行就是表中的第2行（即5-3=2）。

　　Defval 默认值，当两个函数取 上N 或者 下N 个值，当在表中从当前行位置向前数N行已经超出了表的范围时，lag() 函数将defval这个参数值作为函数的返回值，若没有指定默认值，则返回NULL，那么在数学运算中，总要给一个默认值才不会出错。

　　用途：

　　返回位于当前行的前n行的expr的值：LAG(expr,n)

　　返回位于当前行的后n行的expr的值：LEAD(expr,n)

　　举例：查询前1名同学及后一名同学的成绩和当前同学成绩的差值(只排分数，不按uid分组)

　　先将前一名和后一名的分数与当前行的分数放在一起：

　　再做diff：4. 头尾函数：FIRST_VALUE(expr),LAST_VALUE(expr)

　　用途：

　　返回第一个expr的值：FIRST_VALUE(expr)

　　返回最后一个expr的值：LAST_VALUE(expr)

　　应用场景：截止到当前成绩，按照分数排序查询第1个和最后1个的分数5. 聚合函数+窗口函数联合使用

　　聚合函数也可以用于窗口函数。

　　原因就在于窗口函数的执行顺序（逻辑上的）是在FROM，JOIN，WHERE，GROUP BY，HAVING之后，在ORDER BY，LIMIT，SELECT DISTINCT之前。它执行时GROUP BY的聚合过程已经完成了，所以不会再产生数据聚合。

　　注:窗口函数是在where之后执行的，所以如果where子句需要用窗口函数作为条件，需要多一层查询，在子查询外面进行

　　前面基本用法中已经有部分举例，如：

　　四、面试题

　　1. 用户行为分析

　　表1：用户行为表tracking_log，大概字段有（user_id‘用户编号’,opr_id‘操作编号’,log_time‘操作时间’）如下所示：

　　问题：

　　1）统计每天符合以下条件的用户数：A操作之后是B操作，AB操作必须相邻

　　分析：（1）统计每天，所以需要按天分组统计求和（2）A操作之后是B，且AB操作必须相邻，那就涉及一个前后问题，所以想到用窗口函数中的lag()或lead()。

　　2）统计用户行为序列为A-B-D的用户数,其中:A-B之间可以有任何其他浏览记录(如C,E等),B-D之间除了C记录可以有任何其他浏览记录(如A,E等)2. 学生成绩分析

　　表：Enrollments (student_id, course_id) 是该表的主键。

　　1）查询每位学生获得的最高成绩和它所对应的科目，若科目成绩并列，取 course_id 最小的一门。查询结果需按 student_id 增序进行排序。

　　分析：因为需要最高成绩和所对应的科目，所以可采用窗口函数排序分组取第一个

　　解法2：IN 解法

　　取成绩在最大成绩之中的学生的最小课程号的课程

　　2）查询每一科目成绩最高和最低分数的学生,输出course_id,student_id,score

　　我们可以按科目查找成绩最高的同学和最低分的同学，然后利用union连接起来

　　解法2：case-when

　　如果这个文章对你有帮助，不要忘记「在看」「点赞」「收藏」三连啊喂！

　　2022年全网首发|大数据专家级技能模型与学习指南(胜天半子篇)

　　互联网最坏的时代可能真的来了

　　我在B站读大学，大数据专业

　　我们在学习Flink的时候，到底在学习什么？

　　193篇文章暴揍Flink，这个合集你需要一下

　　Flink生产环境TOP难题与优化，阿里巴巴藏经阁YYDS

　　Flink CDC我吃定了耶稣也留不住他！| Flink CDC线上问题小盘点

　　我们在学习Spark的时候，到底在学习什么？

　　在所有Spark模块中，我愿称SparkSQL为最强！

　　硬刚Hive | 4万字基础调优面试小总结

　　数据治理方法论和实践小百科全书

　　标签体系下的用户画像建设小指南

　　4万字长文 | ClickHouse基础&实践&调优全视角解析

　　【面试&个人成长】2021年过半，社招和校招的经验之谈

　　大数据方向另一个十年开启 |《硬刚系列》第一版完结

　　我写过的关于成长/面试/职场进阶的文章

　　当我们在学习Hive的时候在学习什么？「硬刚Hive续集」