窗口函数又名开窗函数，属于分析函数的一种。用于解决复杂报表统计需求的功能强大的函数，很多场景都需要用到。

窗口函数用于计算基于组的某种聚合值，它和聚合函数的不同之处是：对于每个组返回多行，而聚合函数对于每个组只返回一行。

窗口函数指定了分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变化而变化。

over 关键字

使用窗口函数之前一般要要通过over()进行开窗

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
-- 查询emp表工资总和
select sum(sal) from emp;
OK
_c0
28225

-- 不使用窗口函数，有语法错误
select ename, sal, sum(sal) salsum from emp;

-- 使用窗口函数，查询员工姓名、薪水、薪水总和
select ename, sal, sum(sal) over() salsum,
  concat(round(sal / sum(sal) over()*100, 1) || '%') ratiosal
from emp;
OK
ename   sal     salsum  ratiosal
MILLER  1300    28225   4.6%
FORD    3000    28225   10.6%
JAMES   950     28225   3.4%
ADAMS   1100    28225   3.9%
TURNER  1500    28225   5.3%
KING    5000    28225   17.7%
SCOTT   3000    28225   10.6%
CLARK   2450    28225   8.7%
BLAKE   2850    28225   10.1%
MARTIN  1250    28225   4.4%
JONES   2975    28225   10.5%
WARD    1250    28225   4.4%
ALLEN   1600    28225   5.7%
CLERK   NULL    28225   NULL

注意：窗口函数是针对每一行数据的；如果over中没有参数，默认的是全部结果集；

partition by子句

在over窗口中进行分区，对某一列进行分区统计，窗口的大小就是分区的大小

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
-- 查询员工姓名、薪水、部门薪水总和
select ename, sal,
  sum(sal) over(partition by deptno) salsum
from emp;
OK
ename   sal     salsum
CLERK   NULL    NULL
MILLER  1300    8750
KING    5000    8750
CLARK   2450    8750
SCOTT   3000    10075
FORD    3000    10075
JONES   2975    10075
ADAMS   1100    10075
TURNER  1500    9400
ALLEN   1600    9400
BLAKE   2850    9400
MARTIN  1250    9400
WARD    1250    9400
JAMES   950     9400

order by 子句

order by 子句对输入的数据进行排序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
-- 增加了order by子句；sum：从分组的第一行到当前行求和
select ename, sal, deptno,
  sum(sal) over(partition by deptno order by sal) salsum
from emp;
OK
ename   sal     deptno  salsum
CLERK   NULL    NULL    NULL
MILLER  1300    10      1300
CLARK   2450    10      3750
KING    5000    10      8750
ADAMS   1100    20      1100
JONES   2975    20      4075
SCOTT   3000    20      10075
FORD    3000    20      10075
JAMES   950     30      950
MARTIN  1250    30      3450
WARD    1250    30      3450
TURNER  1500    30      4950
ALLEN   1600    30      6550
BLAKE   2850    30      9400

Window子句

1
rows between ... and ...

如果要对窗口的结果做更细粒度的划分，使用window子句，有如下的几个选项：

  • unbounded preceding。组内第一行数据

  • n preceding。组内当前行的前n行数据

  • current row。当前行数据

  • n following。组内当前行的后n行数据

  • unbounded following。组内最后一行数据


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
-- rows between ... and ... 子句
-- 组内，第一行到当前行的和
select ename, sal, deptno,
  sum(sal) over(partition by deptno order by ename)
from emp;
OK
ename   sal     deptno  sum_window_0
CLERK   NULL    NULL    NULL
CLARK   2450    10      2450
KING    5000    10      7450
MILLER  1300    10      8750
ADAMS   1100    20      1100
FORD    3000    20      4100
JONES   2975    20      7075
SCOTT   3000    20      10075
ALLEN   1600    30      1600
BLAKE   2850    30      4450
JAMES   950     30      5400
MARTIN  1250    30      6650
TURNER  1500    30      8150
WARD    1250    30      9400

-- 等价上面的语句
select ename, sal, deptno,
  sum(sal) over(partition by deptno order by ename rows between unbounded preceding and current row )
from emp;
OK
ename   sal     deptno  sum_window_0
CLERK   NULL    NULL    NULL
CLARK   2450    10      2450
KING    5000    10      7450
MILLER  1300    10      8750
ADAMS   1100    20      1100
FORD    3000    20      4100
JONES   2975    20      7075
SCOTT   3000    20      10075
ALLEN   1600    30      1600
BLAKE   2850    30      4450
JAMES   950     30      5400
MARTIN  1250    30      6650
TURNER  1500    30      8150
WARD    1250    30      9400

-- 组内，第一行到最后一行的和
select ename, sal, deptno,
  sum(sal) over(partition by deptno order by ename rows between unbounded preceding and unbounded following )
from emp;
OK
ename   sal     deptno  sum_window_0
CLERK   NULL    NULL    NULL
CLARK   2450    10      8750
KING    5000    10      8750
MILLER  1300    10      8750
ADAMS   1100    20      10075
FORD    3000    20      10075
JONES   2975    20      10075
SCOTT   3000    20      10075
ALLEN   1600    30      9400
BLAKE   2850    30      9400
JAMES   950     30      9400
MARTIN  1250    30      9400
TURNER  1500    30      9400
WARD    1250    30      9400

-- 组内，前一行、当前行、后一行的和
select ename, sal, deptno,
  sum(sal) over(partition by deptno order by ename rows between 1 preceding and 1 following )
from emp;
OK
ename   sal     deptno  sum_window_0
CLERK   NULL    NULL    NULL
CLARK   2450    10      7450
KING    5000    10      8750
MILLER  1300    10      6300
ADAMS   1100    20      4100
FORD    3000    20      7075
JONES   2975    20      8975
SCOTT   3000    20      5975
ALLEN   1600    30      4450
BLAKE   2850    30      5400
JAMES   950     30      5050
MARTIN  1250    30      3700
TURNER  1500    30      4000
WARD    1250    30      2750

排名函数

都是从1开始，生成数据项在分组中的排名。

  • row_number()。排名顺序增加不会重复；如1、2、3、4、… …

  • RANK()。 排名相等会在名次中留下空位；如1、2、2、4、5、… …

  • DENSE_RANK()。 排名相等会在名次中不会留下空位 ；如1、2、2、3、4、… …

1
2
3
4
5
6
7
8
--    row_number / rank / dense_rank
100       1         1       1
100       2         1       1
100       3         1       1
99        4         4       2
98        5         5       3
98        6         5       3
97        7         7       4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
-- 数据准备
class1 s01 100
class1 s03 100
class1 s05 100
class1 s07 99
class1 s09 98
class1 s02 98
class1 s04 97
class2 s21 100
class2 s24 99
class2 s27 99
class2 s22 98
class2 s25 98
class2 s28 97
class2 s26 96

-- 创建表加载数据
create table t2(
  cname string,
  sname string,
  score int
)
row format delimited fields terminated by '\t';
load data local inpath '/home/hadoop/data/t2.dat' into table t2;

-- 按照班级，使用3种方式对成绩进行排名
select cname, sname, score,
  row_number() over (partition by cname order by score desc) rank1,
  rank() over (partition by cname order by score desc) rank2,
  dense_rank() over (partition by cname order by score desc) rank3
from t2;

-- 求每个班级前3名的学员--前3名的定义是什么--假设使用dense_rank
select cname, sname, score,rank
from (
  select cname, sname, score,
    dense_rank() over (partition by cname order by score desc) rank
  from t2
) tmp
where rank <= 3;

序列函数

  • lag。返回当前数据行的上一行数据

  • lead。返回当前数据行的下一行数据

  • first_value。取分组内排序后，截止到当前行，第一个值

  • last_value。分组内排序后，截止到当前行，最后一个值

  • ntile。将分组的数据按照顺序切分成n片，返回当前切片值

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
-- 测试数据 userpv.dat。cid ctime pv
cookie1,2019-04-10,1
cookie1,2019-04-11,5
cookie1,2019-04-12,7
cookie1,2019-04-13,3
cookie1,2019-04-14,2
cookie1,2019-04-15,4
cookie1,2019-04-16,4
cookie2,2019-04-10,2
cookie2,2019-04-11,3
cookie2,2019-04-12,5
cookie2,2019-04-13,6
cookie2,2019-04-14,3
cookie2,2019-04-15,9
cookie2,2019-04-16,7

-- 建表语句
create table userpv(
  cid string,
  ctime date,
  pv int
)
row format delimited fields terminated by ",";

-- 加载数据
Load data local inpath '/home/hadoop/data/userpv.dat' into table userpv;

-- lag。返回当前数据行的上一行数据
-- lead。返回当前数据行的下一行数据
select cid, ctime, pv,
  lag(pv) over(partition by cid order by ctime) lagpv,
  lead(pv) over(partition by cid order by ctime) leadpv
from userpv;

-- first_value / last_value
select cid, ctime, pv,
  first_value(pv) over (partition by cid order by ctime rows between unbounded preceding and unbounded following) as firstpv,
  last_value(pv) over (partition by cid order by ctime rows between unbounded preceding and unbounded following) as lastpv
from userpv;

-- ntile。按照cid进行分组，每组数据分成2份
select cid, ctime, pv,
  ntile(2) over(partition by cid order by ctime) ntile
from userpv;