Sql 使用配置单元udf函数计算运行和

我是一个蜂巢里的新手，我想先原谅我对下面任何东西的无知。我的表格如下：

SELECT a.storeid, a.smonth, a.sales FROM table a;
1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0
1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0

我的目标产出如下：

SELECT a.storeid, a.smonth, a.sales FROM table a;
1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0
1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0

我编写了一个简单的hive udf sum类来实现上述功能，并在查询中使用了SORT BY storeid，smonth：

SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table SORT BY storeid, smonth) a;

显然，它不会生成上述输出，因为只有一个映射器，并且调用了同一个udf实例，该实例在整个集合上生成一个运行总和。我的目标是在udf类中为每个storeid重置runningSum实例变量，以便evaluate函数返回上述输出。 我使用了以下方法： 1.传递storeid变量rsum（sales，storeid），然后我们就可以在udf类中正确处理这种情况。 2.在以下查询中使用2个映射器：

set mapred.reduce.tasks=2;
SELECT a.storeid, a.smonth, a.sales, rsum(sales)
FROM (SELECT * FROM table DISTRIBUTE BY storeid SORT BY storeid, smonth) a;

1002    1       40000.0 40000.0
1002    2       35000.0 75000.0
1002    3       110000.0 185000.0
1001    1       35000.0 35000.0
1001    2       25000.0 60000.0
1001    3       40000.0 100000.0

为什么1002总是出现在顶部？

---

除了上述方法外，我还想征求您对其他不同方法的建议，在这些方法中我可以实现相同的功能（例如子查询/联接）。另外，您建议的方法的时间复杂性是什么？

或者，您可以查看包含多个功能扩展的Hive ticket。
除此之外，还有一个累积和实现（GenericUDFSum）

此函数（称为“rsum”）接受两个参数，即id的哈希值（通过该哈希值，记录在还原器之间进行分区）及其要求和的相应值：

select t.storeid, t.smonth, t.sales, rsum(hash(t.storeid),t.sales) as sales_sum 
  from (select storeid, smonth, sales from sm distribute by hash(storeid) 
    sort by storeid, smonth) t;

1001  1  35000.0  35000.0
1001  2  25000.0  60000.0
1001  3  40000.0  100000.0
1002  1  40000.0  40000.0
1002  2  35000.0  75000.0
1002  3  110000.0 185000.0

---

Hive提供了一种在单行中执行此操作的更好方法-
请遵循以下流程以实现您的目标输出

创建可以包含数据集的配置单元表-

1001    1       35000.0
1002    2       35000.0
1001    2       25000.0
1002    3       110000.0
1001    3       40000.0
1002    1       40000.0

现在只需在您的配置单元终端中运行下面的命令-

SELECT storeid, smonth, sales, SUM(sales) OVER (PARTITION BY storeid ORDER BY smonth) FROM table_name;

输出将类似于-

1001  1  35000.0  35000.0
1001  2  25000.0  60000.0
1001  3  40000.0  100000.0
1002  1  40000.0  40000.0
1002  2  35000.0  75000.0
1002  3  110000.0 185000.0

---

我希望这可以帮助您获得目标输出。

选择storeid、smonth、sales、sum（sales）over（按storeid分区，按smonth排序）作为rsum

---

从表中

这应该可以做到：

SELECT 
    a.storeid, 
    a.smonth,
    a.sales,
    SUM(a.sales) 
OVER (
    PARTITION BY a.storeid 
    ORDER BY a.smonth asc 
    ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)
FROM 
    table a;

src: