Hive進階—抽樣的各種玩法


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場景中

  1. 一些機器學(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)的計算結(jié)果異常或者是指標異常，這個時候如果我們往往需要確認數(shù)據(jù)源的數(shù)據(jù)是否本身就有異常
  3. SQL的性能有問題的時候我們也會使用抽樣的方法區(qū)查看數(shù)據(jù)，然后進行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)進行挖掘分析時會十分耗時和占用集群資源，因此一般情況下只需要抽取一小部分數(shù)據(jù)進行分析及建模操作。

隨機抽樣(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排序函數(shù)呢

利用 rand() 函數(shù)進行抽取，這是因為rand() 返回一個0到1之間double 類型的隨機值。

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備數(shù)據(jù)了，大家可以看Hive進階之數(shù)據(jù)存儲格式來獲取測試數(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;
SQL

order by rand()

order by只會啟用一個reduce所以比較耗時，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

因為order by 是全局的，所以可以做到隨機抽樣的目的

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

sort by rand()

sort by 提供了單個 reducer 內(nèi)的排序功能，但不保證整體有序，這個時候其實不能做到真正的隨機的，因為此時的隨機是針對分區(qū)去的，所以如果我們可以通過控制進入每個分區(qū)的數(shù)據(jù)也是隨機的話，那我們就可以做到隨機了

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階段是隨機分布的，這個時候我們也能做到真正的隨機，前面我們也介紹過cluster by 其實基本上是和distribute by sort by 等價的

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() 進行了兩次隨機，cluster by rand() 僅一次隨機，所以速度上會比上一種方法快

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中分桶其實就是根據(jù)某一個字段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)被放到第一個桶中，hash(id) % 100 = 1的記錄被放到第二個桶中。

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，桶編號從1開始，colname表示抽樣的列(也就是按照那個字段分桶)，y表示桶的數(shù)量。 所以表達的意思是按照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()) ;
SQL

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);
SQL

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);
SQL

抽取特定大小的數(shù)據(jù)TABLESAMPLE(100M)

SELECT
    *
FROM
    ods_user_bucket_log
TABLESAMPLE(1M);
SQL

需要注意的是這里必須是整數(shù)M ，以為我嘗試零點幾的時候報錯了

抽取特定的行數(shù) TABLESAMPLE(10 ROWS)

SELECT
    *
FROM
    ods_user_bucket_log
TABLESAMPLE(10 rows);
SQL

擴展

隨機抽樣如何實現(xiàn)按比例抽樣

前面我們介紹了TABLESAMPLE 可以實現(xiàn)按比例抽樣，隨機抽樣可以借助limit 可以實現(xiàn)抽取特定記錄數(shù)，其實我們?nèi)绻麑﹄S機抽樣進行改進也可以實現(xiàn)按照比例抽樣，因為rand() 的函數(shù)值是隨機的，所以我們可以對其返回值做條件過濾從而實現(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
;
SQL

分層抽樣(分組抽樣)

分層抽樣，這里可以分為兩種，一種是分層抽個數(shù)另外一種是分層抽比例

分層抽個數(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
;
SQL

分層按比例的抽樣，也可以按照上面的方式實現(xiàn)

總結(jié)

  1. TABLESAMPLE 抽樣函數(shù)本身是不走MR 的所以執(zhí)行速度很快(注意抽取多少M的時候，只能是整數(shù)M)
  2. 隨機抽樣函數(shù)需要走MR的，所以執(zhí)行性能上沒有TABLESAMPLE那么快，而且表達能力有限，只能獲取特定的條數(shù)(limit n)
  3. 借助row_number實現(xiàn)分層抽樣





作者：柯廣的網(wǎng)絡(luò)日志

微信公眾號：Java大數(shù)據(jù)與數(shù)據(jù)倉庫