Hive常用函数整理

记录 hive 三类函数：取整函数、随机抽样（rand()函数)、数组包含函数（array_contains)、later view explode函数

取整函数

1. round(A,B) :
   四舍五入，A是整型或者浮点型参数，B是要保留的小数位数，B是可选参数，不写的话默认对浮点数保留一位小数

   select round(-1.23,1)
   > -1.2
   select round(2.546,2)
   > 2.55
   select round(2.34)
   > 2.3

2. floor(A)：取坐标轴上的左值

   select floor(-1.3) 
   > -2
   select floor(1.3) 
   > 1

3. ceil(A) ：取坐标轴上的右值 ,select floor(-1.3)

   select ceil(-1.3) 
   > -1
   select ceil(1.3) 
   > 2

   抽样函数(rand())

   在大规模数据量的数据集上有两种使用方式，可以随机抽取小数据量的数据进行数据分析和建模：

4. order by rand() 是对全局的数据做排序，会把所有数据放进一个reducer中处理，如果数据量非常大，可能会比较耗时：

   select * from table_name where col=xxx order by rand() limit num;

5. 在rand() 前指定 distribute 和 sort 关键字可以保证数据在mapper和reduce阶段都是随机的，distribute by是控制在map端如何拆分数据给reduce端的，sort by是局部排序，会在每个reduce端做排序，适用于数据量较大的情况：

   select * from table_name where col=xxx distribute by rand() sort by rand() limit num;

   数组包含函数，用于判断数组中是否包含某个值，返回true 或 false

   array_contains(数组，值)，返回布尔类型值

   select *
   from dulux_dataset_101  where array_contains(mark,' 10')
   limit 10

later view expload

explode() 是UDTF 函数的一种，可以将一行数据按照分隔符变成多行，但是不能和其它列一起查出，例如dulux_dataset_101中mark字段是个数组

select
explode(mark) as mark_explode
from dulux_dataset_101
limit 10

这样就会直接报错，因为mainid能返回的行数和mark_explode不一致

select mianid,explode(mark) as mark_explode
from dulux_dataset_101
limit 10

于是要和 lateral view 搭配使用，temptable为虚拟表的别名，mark_explode为切分后的字段名

select mainid,mark_explode
from dulux_dataset_101 
lateral view explode(mark) temptable as mark_explode
 where array_contains(mark,' 10')
limit 10