HiveSQL一天一个小技巧：如何准确求近30天指标？

阅读：评论：0

1 需求

现在test表有三个字段用户： user_id 日期：dt 订单金额 price，

计算出一个消费者历史上“首次”在近30天周期内累计消费金额达到1W的日期

2 分析

（1）数据准备

 create table test as select 'a' as user_id,7000 as price,'2022-07-01' as dtunion all select 'a' as user_id,4000 as price,'2022-08-22' as dtunion all select 'a' as user_id,8000 as price,'2022-08-23' as dt

(2) 分析

目标字段：消费者，日期

条件：首次”在近30天周期内累计消费金额达到1W的日期

第一步：如何求近30天周期内累计消费金额

一般此类问题我们容易想到如下解法

sum(price) over(partition by user_id order by dt rows between prceding 30 and current row)

但是改解法有个问题，我们采用rows的时候计算的是实际物理行数，但是实际数据中用户的时间并不是连续的，也就是存在时间断层或缺失的现象，此时用rows计算的实际结果则会偏大，显然不对。而对于hive的计算引擎提供了，range计算方法，他表示的是排序行的逻辑计算值，并在此范围内的所有数据，即[dt -30,dt],刚好反应了所要表达的意思，近30天的结果。因此可以按照如下求法

sum(price) over(partition by user_id order by cast (dt as date) range between prceding 30 and current row)

第二步：求首次日期

首次：min(dt) --最早

拓展：最近、最新、末次日期max(dt)

完整的SQL如下：

select user_id,min(dt)
from (select dt, user_id, sum(price)over (partition by user_id order by cast(dt as date) range between 30 preceding and current row) as order_pricefrom (select 'a' as user_id, 7000 as price, '2022-07-01' as dtunion allselect 'a' as user_id, 4000 as price, '2022-08-22' as dtunion allselect 'a' as user_id, 8000 as price, '2022-08-23' as dt) t) t
where order_price > 10000
group by user_id

对比rows求得结果：

select user_id, min(dt)
from (select dt, user_id, sum(price)over (partition by user_id order by dt rows between 30 preceding and current row) as order_pricefrom (select 'a' as user_id, 7000 as price, '2022-07-01' as dtunion allselect 'a' as user_id, 4000 as price, '2022-08-22' as dtunion allselect 'a' as user_id, 8000 as price, '2022-08-23' as dt) t) A
where order_price > 10000
group by user_id

明显rows求得的结果不对，2022-07-01日期就不在2022-08-22近30天日期范围内

中间结果如下：

对于有的数据库没有range函数的，此时如何求呢？我们可以借助时间维度表去补全日期数据，这也是常见的通用方法，比如我们有一张日期全的维度表dim_date

可以看出日期是连续的，由于partition by 后需要按照用户（user_id）分组，所以用户的维度需要补齐在时间维度表中，这种补齐维度的操作我们一般采用自关联SQL如下：

with data as(select 'a' as user_id, 7000 as price, '2022-07-01' as dtunion allselect 'a' as user_id, 4000 as price, '2022-08-22' as dtunion allselect 'a' as user_id, 8000 as price, '2022-08-23' as dt)
,dim_user AS(select 'a' user_idUNION ALLselect 'b' user_idUNION ALLselect 'c' user_id)
select *
from
(     select d.date_id, u.user_idfrom (select date_idfrom dim.dim_datewhere date_format(date_id, 'yyyy-MM') >= '2022-06') d,dim_user u) d

具体结果如下：

可以看出每个时间记录上，都得到了相应用户的维度值。

最后我们用该表作为主表left join数据表，通过关联条件将数据唯一对应过来

with data as(select 'a' as user_id, 7000 as price, '2022-07-01' as dtunion allselect 'a' as user_id, 4000 as price, '2022-08-22' as dtunion allselect 'a' as user_id, 8000 as price, '2022-08-23' as dt)
,dim_user AS(select 'a' user_idUNION ALLselect 'b' user_idUNION ALLselect 'c' user_id)
select *
from
(     select d.date_id, u.user_idfrom (select date_idfrom dim.dim_datewhere date_format(date_id, 'yyyy-MM') >= '2022-06') d,dim_user u) dleft join data
on d.date_id = data.dt and d.user_id=data.user_id

具体结果如下：

我们可以看到主表是比较全的维表，拥有所有的时间、用户属性，order by 后的日期应该是维表中的日期，partition by后的user_id应该为主表中的user_id,此时再用rows 求解就没有问题。

最终SQL如下：

with data as(select 'a' as user_id, 7000 as price, '2022-07-01' as dtunion allselect 'a' as user_id, 4000 as price, '2022-08-22' as dtunion allselect 'a' as user_id, 8000 as price, '2022-08-23' as dt)
,dim_user AS(select 'a' user_idUNION ALLselect 'b' user_idUNION ALLselect 'c' user_id)
select user_id, min(dt)
from (select dt, d.user_id, sum(price)over (partition by d.user_id order by d.date_id rows between 30 preceding and current row) as order_pricefrom (select d.date_id, u.user_idfrom (select date_idfrom dim.dim_datewhere date_format(date_id, 'yyyy-MM') >= '2022-06') d,dim_user u) dleft join dataon d.date_id = data.dt and d.user_id=data.user_id) A
where order_price > 10000
group by user_id

可以看出最终求解的结果值和range的结果是一致的。

小结：是否需要补全其他维度值，看partition by后的分组字段，有多少个就需要补全哪些，因为直接用时间维度表做主表，partition by无法正确分组，需要补全后面的分组字段才行。改方法性能上肯定比较差，但也是比较通用的方法，对于一些窗口不支持range子句的则也只能采取这样的方法。