Hive抽樣的相關(guān)知識(shí)點(diǎn)詳解

這篇文章主要介紹“Hive抽樣的相關(guān)知識(shí)點(diǎn)詳解”，在日常操作中，相信很多人在Hive抽樣的相關(guān)知識(shí)點(diǎn)詳解問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Hive抽樣的相關(guān)知識(shí)點(diǎn)詳解”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

抽樣

抽樣在Hive 中也是比較常用的一種手段，主要用在下面的幾個(gè)場景中

1. 一些機(jī)器學(xué)習(xí)的場景中，數(shù)倉作為數(shù)據(jù)的提供方提供樣本數(shù)據(jù)

2. 數(shù)據(jù)的計(jì)算結(jié)果異?；蛘呤侵笜?biāo)異常，這個(gè)時(shí)候如果我們往往需要確認(rèn)數(shù)據(jù)源的數(shù)據(jù)是否本身就有異常

3. SQL的性能有問題的時(shí)候我們也會(huì)使用抽樣的方法區(qū)查看數(shù)據(jù)，然后進(jìn)行SQL調(diào)優(yōu)

4. 在大規(guī)模數(shù)據(jù)量的數(shù)據(jù)分析及建模任務(wù)中，往往針對全量數(shù)據(jù)進(jìn)行挖掘分析時(shí)會(huì)十分耗時(shí)和占用集群資源，因此一般情況下只需要抽取一小部分?jǐn)?shù)據(jù)進(jìn)行分析及建模操作。

隨機(jī)抽樣(rand()函數(shù))

我們一般情況下是使用排序函數(shù)和rand() 函數(shù)來完成隨機(jī)抽樣，limit關(guān)鍵字限制抽樣返回的數(shù)據(jù)，不同之處再有我們使用哪個(gè)排序函數(shù)呢

利用 rand() 函數(shù)進(jìn)行抽取，這是因?yàn)閞and() 返回一個(gè)0到1之間double 類型的隨機(jī)值。

下面我們用到了前面我們使用過的一張表大概4603089 條記錄，這里我就不給大家準(zhǔn)備數(shù)據(jù)了，大家可以看Hive進(jìn)階之?dāng)?shù)據(jù)存儲(chǔ)格式來獲取測試數(shù)據(jù)

create table ods_user_bucket_log(      id int,      name string,      city string,      phone string,      acctime string) CLUSTERED BY (`id` ) INTO 5 BUCKETS  row format delimited fields terminated by '\t' stored as textfile; insert overwrite table ods_user_bucket_log select * from ods_user_log;

order by rand()

order by只會(huì)啟用一個(gè)reduce所以比較耗時(shí)，至于為什么我們在前面的文章中解釋過了Hive語法之常見排序方式

因?yàn)閛rder by 是全局的，所以可以做到隨機(jī)抽樣的目的

select * from ods_user_bucket_log order by rand() limit 10;

sort by rand()

sort by 提供了單個(gè) reducer  內(nèi)的排序功能，但不保證整體有序，這個(gè)時(shí)候其實(shí)不能做到真正的隨機(jī)的，因?yàn)榇藭r(shí)的隨機(jī)是針對分區(qū)去的，所以如果我們可以通過控制進(jìn)入每個(gè)分區(qū)的數(shù)據(jù)也是隨機(jī)的話，那我們就可以做到隨機(jī)了

select * from ods_user_bucket_log sort by rand() limit 10;

distribute by rand() sort by rand()

rand函數(shù)前的distribute和sort關(guān)鍵字可以保證數(shù)據(jù)在mapper和reducer階段是隨機(jī)分布的，這個(gè)時(shí)候我們也能做到真正的隨機(jī)，前面我們也介紹過cluster  by 其實(shí)基本上是和distribute by sort by 等價(jià)的

select * from ods_user_bucket_log distribute by rand() sort by rand() limit 10;

cluster by rand()

cluster by 的功能是 distribute by 和 sort by 的功能相結(jié)合，distribute by rand() sort by  rand() 進(jìn)行了兩次隨機(jī)，cluster by rand() 僅一次隨機(jī)，所以速度上會(huì)比上一種方法快

select * from ods_user_bucket_log cluster by rand() limit 10;

tablesample()抽樣函數(shù)

分桶抽樣(桶表抽樣)

hive中分桶其實(shí)就是根據(jù)某一個(gè)字段Hash取模，放入指定數(shù)據(jù)的桶中，比如將表table按照ID分成100個(gè)桶，其算法是hash(id) %  100，這樣，hash(id) % 100 = 0的數(shù)據(jù)被放到第一個(gè)桶中，hash(id) % 100 = 1的記錄被放到第二個(gè)桶中。

分桶抽樣語法：

TABLESAMPLE (BUCKET x OUT OF y [ON colname])

其中x是要抽樣的桶編號(hào)，桶編號(hào)從1開始，colname表示抽樣的列(也就是按照那個(gè)字段分桶)，y表示桶的數(shù)量。所以表達(dá)的意思是按照colname字段分成y桶，抽取其中的第x桶

SELECT     * FROM     ods_user_bucket_log TABLESAMPLE (BUCKET 1 OUT OF 100000 ON rand()) ;

數(shù)據(jù)塊抽樣

從 Hive 0.8 開始提供塊抽樣，使用 tablesample 抽取指定的 行數(shù)/比例/大小

SELECT * FROM ods_user_data TABLESAMPLE(1000 ROWS); SELECT * FROM ods_user_data TABLESAMPLE (20 PERCENT);  SELECT * FROM ods_user_data TABLESAMPLE(1M);

按比例抽樣 ABLESAMPLE (20 PERCENT)

這將允許 Hive 至少獲取 n%的數(shù)據(jù)

SELECT     * FROM     ods_user_bucket_log TABLESAMPLE(0.0001 PERCENT);

抽取特定大小的數(shù)據(jù)TABLESAMPLE(100M)

SELECT     * FROM     ods_user_bucket_log TABLESAMPLE(1M);

需要注意的是這里必須是整數(shù)M ，以為我嘗試零點(diǎn)幾的時(shí)候報(bào)錯(cuò)了

抽取特定的行數(shù) TABLESAMPLE(10 ROWS)

SELECT     * FROM     ods_user_bucket_log TABLESAMPLE(10 rows);

擴(kuò)展

隨機(jī)抽樣如何實(shí)現(xiàn)按比例抽樣

前面我們介紹了TABLESAMPLE 可以實(shí)現(xiàn)按比例抽樣，隨機(jī)抽樣可以借助limit  可以實(shí)現(xiàn)抽取特定記錄數(shù)，其實(shí)我們?nèi)绻麑﹄S機(jī)抽樣進(jìn)行改進(jìn)也可以實(shí)現(xiàn)按照比例抽樣，因?yàn)閞and()  的函數(shù)值是隨機(jī)的，所以我們可以對其返回值做條件過濾從而實(shí)現(xiàn)按照比例的抽樣

select     * from(     select         * ,rand() as radix     from         ods_user_bucket_log ) tmp where     radix>=0.0     and radix<=0.0001 ;

分層抽樣(分組抽樣)

分層抽樣，這里可以分為兩種，一種是分層抽個(gè)數(shù)另外一種是分層抽比例

分層抽個(gè)數(shù)

select     * from (     select         id,ctime,         row_number() over(partition by id order by rand() ) as rn     from         ods_user_log ) tmp where rn<=3 ;

分層按比例的抽樣，也可以按照上面的方式實(shí)現(xiàn)

總結(jié)

1. TABLESAMPLE 抽樣函數(shù)本身是不走M(jìn)R 的所以執(zhí)行速度很快(注意抽取多少M(fèi)的時(shí)候，只能是整數(shù)M)

2. 隨機(jī)抽樣函數(shù)需要走M(jìn)R的，所以執(zhí)行性能上沒有TABLESAMPLE那么快，而且表達(dá)能力有限，只能獲取特定的條數(shù)(limit n)

3. 借助row_number實(shí)現(xiàn)分層抽樣

到此，關(guān)于“Hive抽樣的相關(guān)知識(shí)點(diǎn)詳解”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)砀鄬?shí)用的文章！