如何解决hive同时计算多个分位数的问题

http://blog.csdn.net/sinat_27339001/article/details/52189843

众所周知，原生Hive没有计算中位数的函数(有的平台会有)，只有计算分位数的函数percentile

在数据量不大的时候，速度尚可。但是数据量一上来之后，完全计算不出来。

那么如何解决这个问题呢，我们可以使用 row_number() over()通过两次排序来解决同时计算多个分位数，速度飞快。

比如我们需要计算mkt_mcc_storeidx表下以mkt_label,mccgroup,month分组，value_mccgroup的分位数

第一步：利用row_number() over()给value_mccgroup在分组里排序，记录下排名

第二步：计算mkt_label,mccgroup,month分组下的数据总数

第三步：join前两步的结果，取rank=你需要计算的分位数位置，想计算多少个分位数就计算多少个

第四步：再排一次序，这次数据量就已经少了很多了，毕竟每组里面只有几个数据，记录排名

第五步：得到具体的分位数

第六步：行转成列，所有分位数计算完毕

后来查看了下SQL代码的执行树，发现percentile利用了map来存数据，怪不得这么耗内存，其实时间久并不是算的时间久，是因为内存不够了，系统一直在回收内存

而rank over 仅仅就是个排序而已

顶

1