查询hive表不成功答案

【问题标题】：Unsuccessful in querying hive table查询hive表不成功
【发布时间】：2020-09-09 16:51:01
【问题描述】：

所以我开始学习如何使用 hive，但在查询我从 https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_daily_reports 的数据集创建的表时遇到了麻烦

从我尝试查找的 5 个最近的 .csv 文件制作表格后： 1) 恢复最多的 10 个不同国家 2) 每个国家恢复最多的日期和 3) 是否有任何国家的恢复比活跃病例多。

我尝试了几种不同的方法，但我得到的最好的方法是 10 个列表，其中包含 3 或 4 个重复的国家/地区。

所以与其拥有类似的东西英国，英国，英国，英国，巴西，俄罗斯， ...

我想要英国、巴西、俄罗斯、美国...

我尝试过 order by、group by、distinct，但我不断收到错误/没有得到想要的结果。不确定它是否有所作为，但我一直在使用 Hadoop 创建一个包含如下查询的 .sql 文件。然后我会用 hive -f 运行它。

SELECT COUNTRY FROM COVID_19 ORDER BY COVID_19.CONFIRMED DESC LIMIT 10;

编辑 - 表是这样创建的：

CREATE EXTERNAL TABLE COVID_19(
`FIPS` bigint,
`admin2` string,
`province` string,
`country` string,
`last_update` string,
`lat` double,
`long_` double,
`confirmed` bigint,
`deaths` bigint,
`recovered` bigint,
`active` bigint,
`combined_key` string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
*s3 bucket containing the csv files*

如前所述，链接中的数据用于制作表格。 5 个最新的 csv 文件。

【问题讨论】：

您好，摩根，如果您可以提供带有示例数据的表架构，这将有助于创建查询。目前尚不清楚您在数据集中的表格中使用了哪些字段。

标签： sql group-by hive sum greatest-n-per-group

【解决方案1】：

至于问题 1)，您似乎在寻找聚合。这为您提供了总数排名前 10 的国家/地区confirmed：

select country, sum(confirmed) total_confirmed
from covid_19 
group by country 
order by total_confirmed desc
limit 10

请注意，在 SO 上一次发布多个问题并不是一个好习惯。但是，这是问题 2) 的一种方法。想法是使用相关子查询过滤数据集：

select c.*
from covid_19 c
where c.recovered = (select max(recovered) from covid_19 c1 where c1.country = c.country)

以上假设confirmed 和recovered 给出每日病例数。另一方面，如果它们代表始终递增的值，那么方法会有所不同。

对于问题1，我们需要使用max()而不是sum()：

select country, max(confirmed) max_confirmed
from covid_19 
group by country
order by max_confirmed desc
limit 10

对于问题 2，它有点复杂。基本上，我们需要lag() 来获取前一天的值。然后我们可以使用row_number()或rank()按照回收率的差异对记录进行排序，并根据每个国家/地区的最高记录进行过滤：

select *
from (
    select 
        c.*,
        rank() over(partition by country order by recovered - lag_recovered desc) rn
    from (
        select 
            c.*, 
            lag(recovered) over(partition by country order by last_update) lag_recovered
        from covid_19 c
    ) c
) c
where rn = 1

【讨论】：

这些都不起作用。问题 1 的答案给了我错误 Expression not in GROUP BY key 'country'（错误 10025），而问题 2 的答案只列出了完整的表格。如果有帮助，我正在使用 Hive 2.3.2
@Mogan_Clarke：我忘记了group by 子句-这是初学者的错误，我不知道当时我的想法在哪里！固定。

【解决方案2】：

所以我设法找到了我想要的结果，谢谢 GMB 提醒我 MAX 是一个东西！

第一季度）

SELECT COUNTRY, MAX(CONFIRMED) AS MAX_CASES
FROM COVID_19
GROUP BY COUNTRY
SORT BY MAX_CASES DESC
LIMIT 10;

第二季度）

SELECT COUNTRY, LAST_UPDATE, MAX(CONFIRMED) AS MAX_DATES
FROM COVID_19
GROUP BY COUNTRY, LAST_UPDATE
SORT BY MAX_DATES DESC
LIMIT 10;

我想我已经把这个复杂化了……

【讨论】：