Hive实战—时间滑动窗口计算
共 683字,需浏览 2分钟
·
2021-12-24 21:50
关注公众号:
大数据技术派
,回复资料
,领取1024G
资料。
时间滑动计算
外部调用实现时间循环
自关联实现滑动时间窗口
扩展基于自然周的的滚动时间窗口计算
总结
时间滑动计算
今天遇到一个需求大致是这样的,我们有一个业务涉及到用户打卡,用户可以一天多次打卡,我们希望计算出7天内打卡8次以上,且打卡时间分布在4天以上的时间,当然这只是个例子,我们具体解释一下这个需求
用户一天可以打卡多次,所以要求打卡必须分布在4天以上; 7天不是一个自然周,而是某一天和接下来的6天,也就是说时间是是滑动的,窗口大小是7步长是1,说白了就是窗口计算;
其实说到这里你就想到了窗口函数,虽然这是一个窗口;但是hive
却没有相应的窗口函数可以计算,接下来我们看一下怎么实现这个逻辑。
外部调用实现时间循环
我们可以先写这样的一个SQL,就计算每个人在特定时间内是否满足我们的条件,我们先计算出每个人每天的打卡次数,例如这里我们的时间限制是'20210701' 到'20210707'
select
b.union_id,to_date(ds,'yyyymmdd') as dt,count(1) as cnt
from
ods_la_daily_record_di b
where
-- 驱动表的时间限制
b.ds>='${bizdate}'
and b.ds<=${bizdate2}'
group by
b.union_id,ds
然后我们再判断这个时间端内,用户的打卡情况是否满足我们的条件
select
union_id,count(1) as 打卡天数, sum(cnt) as 打卡次数
from
(
select
b.union_id,ds,count(1) as cnt
from
ods_la_daily_record_di b
where
-- 驱动表的时间限制
b.ds>='${bizdate}'
and b.ds<='${bizdate2}'
group by
b.union_id,ds
)
group by
union_id
having
-- 时间分布在4天以上
count(1)>=4
-- 打卡次数在8次以上
and sum(cnt)>=8
;
![](https://filescdn.proginn.com/7a7fb7b4a4c1e03dd7e04d1ebaf86984/ff985646c88048a714095cfbb3aa3f5b.webp)
这样我们就算出来我们需要的数据,接下来我们只需要用其他语言调用这个SQL ,传入不同的时间参数就可以了,利用编程语言实现时间的滑动,例如第一次传入'20210701-20210707' 第二次传入'20210702-20210708' 以此传入即可。
虽然可以实现,但是不好,因为我们还需要其他语言的调用,其实我们知道在SQL里面的关联其实就是通过循环实现的,那我们即然能通过循环实现这个需求,我们能不能通过关联实现这个需求呢
自关联实现滑动时间窗口
其实我们只要让用户某一天的数据和他接下来的6天的数据关联,然后按照这一天的数据进行汇总然后判断时候满足我们的条件即可,如果满足了条件,那么用户这一天的数据就是满足我们的需求的,也就是说这个用户是满足我们的需求的。
with tmp as(
-- 每个人每天打卡的次数
select
b.union_id,to_date(ds,'yyyymmdd') as dt,count(1) as cnt
from
ods_la_daily_record_di b
where
-- 驱动表的时间限制
b.ds>='${bizdate}'
group by
b.union_id,ds
)
select
union_id
from (
-- 满足条件的(用户-天)
select
a.union_id,a.dt,sum(b.cnt) as 打卡次数,count(1) as 打卡天数
from
tmp a
inner join
tmp b
on
a.union_id=b.union_id
and DATEDIFF(b.dt,a.dt)>=0
and DATEDIFF(b.dt,a.dt)<=6
group by
a.union_id,a.dt
having
-- 次数限制
sum(b.cnt)>=8
-- 天数限制
and count(1)>=4
)group by
-- 对用户去重
union_id
;
这里有一个问题需要注意一下,那就是我们满足条件sum(b.cnt)>=8 and count(1)>=4
的是用户某一天的数据,也就是说我们的维度是union_id-天
,所以我们需要对这个数据按照用户为度进行去重。
扩展基于自然周的的滚动时间窗口计算
我们这里思考一个问题,那就是我们知道很多时候我们的计算其实是围绕着自然周的,虽然我们上面的计算不是自然周,那假设我们如果要求我们的计算是自然周呢,那这个时候我们应该怎么计算呢,其实我们数仓里有一种很表叫做时间维表,我们利用时间维表可以很方便的计算时间相关的东西,如果你没有的话建议去网上找一份,或者自己生成一份,因为使用起来很方便。
![](https://filescdn.proginn.com/c764338ce01f32ebfc4dfba3583b0631/fdfc2ed727ba1e7c2d994f220eba566c.webp)
因为这个表的字段很多,这里我们截取了一部分放到这里了,下面我们看一下怎么使用时间维表进行计算。
select
UNION_ID,time_weeknum,count(1) as 打卡天数, sum(cnt) as 打卡次数
from(
select
b.union_id,ds,count(1) as cnt
from
ods_la_daily_record_di b
where
-- 驱动表的时间限制
b.ds>='${bizdate}'
and b.ds<='${bizdate2}'
group by
b.union_id,ds
) a
left join
dim_date_time b
on
a.ds=b.time_date
group by
-- 周的标识
UNION_ID,time_weeknum
HAVING
-- 时间分布在4天以上
count(1)>=4
-- 打卡次数在8次以上
and sum(cnt)>=8
;
这里我们就基于每个自然周算出了满足条件的人,当然我们还是要针对用户去重
总结
我们看到自关联其实可以达到滑动的效果,当然不仅仅体现在时间上,就像窗口除了时间窗口还是有基于个数的窗口,我们要在遇到类似问题的时候就可以选择这样的解决方案。
时间维表很重要,可以简化我们的计算,如果没有的话,需要创建一个。
交流群
加我微信:ddxygq
,回复加群
,我拉你进技术交流群。
猜你喜欢
数仓建模—指标体系
数仓建模—宽表的设计
Spark SQL知识点与实战
Hive计算最大连续登陆天数
Flink计算pv和uv的通用方法