Hive 分析函数lead、lag实例应用

 说明

Hive的分析函数又叫窗口函数，在oracle中就有这样的分析函数，主要用来做数据统计分析的。
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。
这种操作可以代替表的自联接，并且LAG和LEAD有更高的效率，其中over()表示当前查询的结果集对象，括号里面的语句则表示对这个结果集进行处理。

函数介绍

LAG

LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值
参数1为列名，参数2为往上第n行（可选，默认为1），参数3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）

LEAD

与LAG相反
LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值
参数1为列名，参数2为往下第n行（可选，默认为1），参数3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）

场景

问题

用户Peter在浏览网页，在某个时刻，Peter点进了某个页面，过一段时间后，Peter又进入了另外一个页面，如此反复，那怎么去统计Peter在某个特定网页的停留时间呢，又或是怎么统计某个网页用户停留的总时间呢？

数据准备

现在用户的行为都被采集了，处理转换到hive数据表，表结构如下：

create table test.user_log(    userid string,    time string,    url string) row format delimited fields terminated by ',';

记录数据：

+------------------+----------------------+---------------+--+| user_log.userid  |    user_log.time     | user_log.url  |+------------------+----------------------+---------------+--+| Peter            | 2015-10-12 01:10:00  | url1          || Peter            | 2015-10-12 01:15:10  | url2          || Peter            | 2015-10-12 01:16:40  | url3          || Peter            | 2015-10-12 02:13:00  | url4          || Peter            | 2015-10-12 03:14:30  | url5          || Marry            | 2015-11-12 01:10:00  | url1          || Marry            | 2015-11-12 01:15:10  | url2          || Marry            | 2015-11-12 01:16:40  | url3          || Marry            | 2015-11-12 02:13:00  | url4          || Marry            | 2015-11-12 03:14:30  | url5          |+------------------+----------------------+---------------+--+

分析步骤

获取用户在某个页面停留的起始与结束时间

select userid,       time stime,       lead(time) over(partition by userid order by time) etime,       url   from test.user_log;

结果：

+---------+----------------------+----------------------+-------+--+| userid  |        stime         |        etime         |  url  |+---------+----------------------+----------------------+-------+--+| Marry   | 2015-11-12 01:10:00  | 2015-11-12 01:15:10  | url1  || Marry   | 2015-11-12 01:15:10  | 2015-11-12 01:16:40  | url2  || Marry   | 2015-11-12 01:16:40  | 2015-11-12 02:13:00  | url3  || Marry   | 2015-11-12 02:13:00  | 2015-11-12 03:14:30  | url4  || Marry   | 2015-11-12 03:14:30  | NULL                 | url5  || Peter   | 2015-10-12 01:10:00  | 2015-10-12 01:15:10  | url1  || Peter   | 2015-10-12 01:15:10  | 2015-10-12 01:16:40  | url2  || Peter   | 2015-10-12 01:16:40  | 2015-10-12 02:13:00  | url3  || Peter   | 2015-10-12 02:13:00  | 2015-10-12 03:14:30  | url4  || Peter   | 2015-10-12 03:14:30  | NULL                 | url5  |+---------+----------------------+----------------------+-------+--+

计算用户在页面停留的时间间隔（实际分析当中，这里要做数据清洗工作，如果一个用户停留了4、5个小时，那这条记录肯定是不可取的。）

select userid,       time stime,       lead(time) over(partition by userid order by time) etime,       UNIX_TIMESTAMP(lead(time) over(partition by userid order by time),'yyyy-MM-dd HH:mm:ss')- UNIX_TIMESTAMP(time,'yyyy-MM-dd HH:mm:ss') period,       url   from test.user_log;

结果：

+---------+----------------------+----------------------+---------+-------+--+| userid  |        stime         |        etime         | period  |  url  |+---------+----------------------+----------------------+---------+-------+--+| Marry   | 2015-11-12 01:10:00  | 2015-11-12 01:15:10  | 310     | url1  || Marry   | 2015-11-12 01:15:10  | 2015-11-12 01:16:40  | 90      | url2  || Marry   | 2015-11-12 01:16:40  | 2015-11-12 02:13:00  | 3380    | url3  || Marry   | 2015-11-12 02:13:00  | 2015-11-12 03:14:30  | 3690    | url4  || Marry   | 2015-11-12 03:14:30  | NULL                 | NULL    | url5  || Peter   | 2015-10-12 01:10:00  | 2015-10-12 01:15:10  | 310     | url1  || Peter   | 2015-10-12 01:15:10  | 2015-10-12 01:16:40  | 90      | url2  || Peter   | 2015-10-12 01:16:40  | 2015-10-12 02:13:00  | 3380    | url3  || Peter   | 2015-10-12 02:13:00  | 2015-10-12 03:14:30  | 3690    | url4  || Peter   | 2015-10-12 03:14:30  | NULL                 | NULL    | url5  |+---------+----------------------+----------------------+---------+-------+--+

计算每个页面停留的总时间，某个用户访问某个页面的总时间

select nvl(url,'-1') url,       nvl(userid,'-1') userid,       sum(period) totol_peroid from (select userid,       time stime,       lead(time) over(partition by userid order by time) etime,       UNIX_TIMESTAMP(lead(time) over(partition by userid order by time),'yyyy-MM-dd HH:mm:ss')- UNIX_TIMESTAMP(time,'yyyy-MM-dd HH:mm:ss') period,       url   from test.user_log) a group by url, userid with rollup;

结果：

+-------+---------+---------------+--+|  url  | userid  | totol_peroid  |+-------+---------+---------------+--+| -1    | -1      | 14940         || url1  | -1      | 620           || url1  | Marry   | 310           || url1  | Peter   | 310           || url2  | -1      | 180           || url2  | Marry   | 90            || url2  | Peter   | 90            || url3  | -1      | 6760          || url3  | Marry   | 3380          || url3  | Peter   | 3380          || url4  | -1      | 7380          || url4  | Marry   | 3690          || url4  | Peter   | 3690          || url5  | -1      | NULL          || url5  | Marry   | NULL          || url5  | Peter   | NULL          |+-------+---------+---------------+--+