前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >举一反三-Pandas实现Hive中的窗口函数

举一反三-Pandas实现Hive中的窗口函数

作者头像
石晓文
发布2018-04-11 15:10:22
2.8K1
发布2018-04-11 15:10:22
举报
文章被收录于专栏:小小挖掘机

1、Hive窗口函数

我们先来介绍一下Hive中几个常见的窗口函数,row_number(),lag()和lead()。

row_number()

该函数的格式如下:

代码语言:javascript
复制
row_Number() OVER (partition by 分组字段 ORDER BY 排序字段 排序方式asc/desc)

简单的说,我们使用partition by后面的字段对数据进行分组,在每个组内,使用ORDER BY后面的字段进行排序,并给每条记录增加一个排序序号。

lag()

该函数的格式如下:

代码语言:javascript
复制
lag(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) 

lag括号里理由两个参数,第一个是字段名,第二个是数量N,这里的意思是,取分组排序后比该条记录序号小N的对应记录的指定字段的值,如果字段名为ts,N为1,就是取分组排序后上一条记录的ts值。

lead() 该函数的格式如下:

代码语言:javascript
复制
lead(字段名,N) over(partition by 分组字段 order by 排序字段 排序方式) 

lead括号里理由两个参数,第一个是字段名,第二个是数量N,这里的意思是,取分组排序后比该条记录序号大N的对应记录的对应字段的值,如果字段名为ts,N为1,就是取分组排序后下一条记录的ts值。

有关这几个函数的详细的实例,可以参考我之前写过的文章:https://www.jianshu.com/p/3738d3591da9,这里我们就不再赘述。

2、窗口函数的Pandas实现

接下来,我们介绍如何使用Pandas来实现上面的几个窗口函数。

数据使用 我们建立如下的测试数据集:

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})

我们使用C作为分组列,使用A作为窗口列。

2.1 row_number()

该函数的意思即分组排序,在pandas中我们可以结合groupby和rank函数来实现和row_number()类似的功能。

我们先看一下实现代码:

代码语言:javascript
复制
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='first')
print(df)

代码的输出为:

这样我们的row_number功能就实现了,groupby方法大家应该很熟悉了,那么我们主要介绍一下rank函数,rank函数主要有两个参数,首先是ascending参数,决定是按照升序还是降序排列,这里我们选择的是升序。第二个参数是填充方式,主要有以下几种方式: dense:稠密的方式,即当两个或多个的数值相同时,使用同样的序号,同时后面的序号是该序号+1,即多个相同的值只会占用一个序号位,例如四个数的排序,中间两个数相同,那么四个数的排序为1,2,2,3.

我们用代码看一下效果:

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='min')
print(df)

输出为:

first:即当两个或多个的数值相同时,使用不样的序号,按照数据出现的先后顺序进行排序,这个其实跟row_number的实现是相同的。

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='first')
print(df)

输出为:

max :当两个或多个的数值相同时,使用相同的序号,不过使用的是能达到的最大的序号值。例如四个数的排序,中间两个数相同,那么四个数的排序为1,3,3,4.

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='max')
print(df)

输出为:

min :当两个或多个的数值相同时,使用相同的序号,不过使用的是能达到的最小的序号值。例如四个数的排序,中间两个数相同,那么四个数的排序为1,2,3,4.

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})
df['row_number'] = df['A'].groupby(df['C']).rank(ascending=True,method='min')
print(df)

输出为:

2.2 lag/lead函数

pandas中使用shift函数来实现lag/lead函数,首先我们来看一个例子:

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})

df['lag'] = df.sort_values('A').groupby('C')['A'].shift(1)
df['lead'] = df.sort_values('A').groupby('C')['A'].shift(-1)
print(df)

输出为:

可以看到,当shift函数中的数字为正数时,我们就实现了lag的功能,当数字为负数时,实现的是lead的功能。不过这里切记,一定要排序哦,否则可能出现下面的结果:

代码语言:javascript
复制
df = pd.DataFrame({'A':[12,20,12,5,18,11,18],
                   'C':['A','B','A','B','B','A','A']})

df['lag'] = df.groupby('C')['A'].shift(1)
df['lead'] = df.groupby('C')['A'].shift(-1)
print(df)

输出为,这个就是完全根据数据出现的顺序进行排序的,不符合我们的要求!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-03-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 小小挖掘机 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1、Hive窗口函数
  • 2、窗口函数的Pandas实现
    • 2.1 row_number()
      • 2.2 lag/lead函数
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档