在不使用 ROW_NUMBER() OVER 函数的情况下获取分区内行（排名）的序号答案

【问题标题】：Get sequential number of a row (rank) within a partition without using ROW_NUMBER() OVER function在不使用 ROW_NUMBER() OVER 函数的情况下获取分区内行（排名）的序号
【发布时间】：2014-05-02 10:03:12
【问题描述】：

我需要按分区（或组）对行进行排名，即如果我的源表是：

NAME PRICE
---- -----
AAA  1.59
AAA  2.00
AAA  0.75
BBB  3.48
BBB  2.19
BBB  0.99
BBB  2.50

我想获取目标表：

RANK NAME PRICE
---- ---- -----
1    AAA  0.75
2    AAA  1.59
3    AAA  2.00
1    BBB  0.99
2    BBB  2.19
3    BBB  2.50
4    BBB  3.48

通常我会使用 ROW_NUMBER() OVER 函数，所以在 Apache Hive 中它会是：

select
  row_number() over (partition by NAME order by PRICE) as RANK,
  NAME,
  PRICE
from
  MY_TABLE
;

不幸的是，Cloudera Impala 不支持（目前）ROW_NUMBER() OVER 功能，所以我正在寻找解决方法。最好不要使用 UDAF，因为在政治上很难说服将其部署到服务器。

【问题讨论】：

标签： sql hive impala

【解决方案1】：

如果您不能使用相关子查询来做到这一点，您仍然可以使用连接来做到这一点：

select t1.name, t1.price,
       coalesce(count(t2.name) + 1, 1)
from my_table t1 join
     my_table t2
     on t2.name = t1.name and
        t2.price < t1.price
order by t1.name, t1.price;

请注意，这并不完全符合row_number() 除非对于给定的name，所有价格都是不同的。这个公式其实等价于rank()。

对于row_number()，您需要一个唯一的行标识符。

顺便说一下，下面相当于dense_rank()：

select t1.name, t1.price,
       coalesce(count(distinct t2.name) + 1, 1)
from my_table t1 join
     my_table t2
     on t2.name = t1.name and
        t2.price < t1.price
order by t1.name, t1.price;

【讨论】：

除了使用内连接之外，还可以使用左连接，其中“coalesce(..., 1) 部分可能会被删除。

【解决方案2】：

对于不支持窗口功能的系统，通常的解决方法是这样的：

select name, 
       price,
       (select count(*) 
        from my_table t2 
        where t2.name = t1.name  -- this is the "partition by" replacement
        and t2.price < t1.price) as row_number
from my_table t1
order by name, price;

SQLFiddle 示例：http://sqlfiddle.com/#!2/3b027/2

【讨论】：

我已经尝试过了，但不幸的是，Impala 目前不支持子查询。

【解决方案3】：

对于如何使用 Impala 并没有真正的答案，但 Hadoop 上的其他 SQL 解决方案已经提供了分析和子查询选项。如果没有这些功能，您可能将不得不依赖多步骤流程或一些 UDAF。

我是 InfiniDB 的架构师
InfiniDB 支持解析函数和子查询。
http://infinidb.co

在 Radiant Advisors 的基准测试中查看查询 8，它是您所追求的类似风格的查询，利用排名分析功能。 Presto 也能够以较慢 (80x) 的速度运行这种样式查询 http://radiantadvisors.com/wp-content/uploads/2014/04/RadiantAdvisors_Benchmark_SQL-on-Hadoop_2014Q1.pdf

来自基准的查询（查询 8）

SELECT
    sub.visit_entry_idaction_url,
    sub.name,
    lv.referer_url,
    sum(visit_ total_time) total_time,
    count(sub.idvisit),
    RANK () OVER (PARTITION BY sub. visit_entry_idaction_url
ORDER BY
    count(sub.idvisit)) rank_by_visits,
    DENSE_RANK() OVER (PARTITION BY sub.visit_entry_idaction_url
ORDER BY
    count(visit_total_time)) rank_by_ time_spent
FROM
    log_visit lv,
    (
SELECT
    visit_entry_idaction_url,
    name,
    idvisit
FROM
    log_visit JOIN log_ action
        ON
        (visit_entry_idaction_url = log_action.idaction)
WHERE
    visit_ entry_idaction_url between 2301400 AND
    2302400) sub
WHERE
    lv.idvisit = sub.idvisit
GROUP BY
    1, 2, 3
ORDER BY
    1, 6, 7;

结果

Hive 0.12       Not Executable  
Presto 0.57     506.84s  
InfiniDB 4.0    6.37s  
Impala 1.2      Not Executable

【讨论】：