Spark pivot数据透视从句

  • 1. 概念
  • 2. 实战
    • 2.1. 新列的决定因素
    • 2.2. 新列别名
    • 2.3. column_list中指定多个字段
    • 2.4. 多个聚合函数的使用
    • 2.5. 最终出现在SQL结果中的决定因素

Spark pivot数据透视从句

1. 概念

  • 描述
    用于数据透视,根据特定的列获取聚合值,聚合值将转换为select子句中使用的多列。可以在表名或子查询后指定pivot子句
  • 使用场景
    常见的使用场景之一,对数据进行行转列操作
  • 语法格式
select *
From Table
PIVOT ( { aggregate_expression [ AS aggregate_expression_alias ] } [ , ... ]
    FOR column_list IN ( expression_list ) )

column_list:可供选择的列为From子句中的列,将使用指定列下的值用于生成新的列。
expression_list:column_list中指定列的值。可以指定别名,指定别名后,则使用别名作为新列名,否则将直接使用列值作为新字段名。

接下来通过几个例子来理解pivot的具体用法。

2. 实战

构键测试数据

CREATE TABLE pivot1 (name STRING, subject string, score INT);
INSERT overwrite table pivot1
select inline(array(
struct('张三','语文',95),
struct('张三','英语',85),
struct('张三','数学',100),
struct('李四','语文',90),
struct('李四','英语',80),
struct('李四','数学',100),
struct('王五','语文',99),
struct('王五','数学',98)
));

2.1. 新列的决定因素

select *
from pivot1 
pivot(max(score) as score1 for subject in('语文','英语','数学'));
-- 执行结果
name    语文    英语    数学
王五    99      NULL    98
李四    90      80      100
张三    95      85      100

select *
from pivot1 
pivot(max(score) as score1 for subject in('语文','英语'));
-- 执行结果
name    语文    英语
王五    99      NULL
李四    90      80
张三    95      85

select *
from pivot1 
pivot(max(score) as score1 for subject in('英语'));
-- 执行结果
name    英语
王五    NULL
李四    80
张三    85

结果中新列取决于column_list和expression_list的共同影响,在上述示例中表示将pivot1表中subject列下的值作为新的结果列,但是具体将哪些值作为新列,取决于in后面的字段值列表。

2.2. 新列别名

select name,c,e,m
from pivot1 
pivot(max(score) as score1 for subject in('语文' as c,'英语' as e,'数学' as m));
-- 执行结果
name    c       e       m
王五    99      NULL    98
李四    90      80      100
张三    95      85      100

在in中指定的别名将作为新列的名称。

2.3. column_list中指定多个字段

select *
from pivot1 
pivot(max(score) as score1 for (subject,name) in(('语文','张三'),('语文','李四'),('语文','王五')));
-- 执行结果
[语文, 张三]    [语文, 李四]    [语文, 王五]
95             90             99

当column_list中指定多个字段时,须使用括号,并且expression_list中指定的字段值也需要使用括号,二者括号中内容顺序需要保持一致。
for (subject,name) in(('语文','张三'),('语文','李四'),('语文','王五'))最终决定测试表中只有以下数据参与计算。

'张三','语文',95
'李四','语文',90
'王五','语文',99

2.4. 多个聚合函数的使用

select *
from pivot1 
pivot(max(score) as score1,avg(score) as avg for subject in('语文','英语','数学'));
-- 执行结果
name    语文_score1     语文_avg        英语_score1     英语_avg        数学_score1     数学_avg
王五     99             99.0           NULL            NULL           98             98.0
李四     90             90.0           80              80.0           100            100.0
张三     95             95.0           85              85.0           100            100.0

select *
from pivot1 
pivot(max(score) as score1,avg(score) as avg for subject in('语文','英语'));
-- 执行结果
name    语文_score1     语文_avg        英语_score1     英语_avg
王五     99             99.0           NULL            NULL
李四     90             90.0           80              80.0
张三     95             95.0           85              85.0

上述SQL1中,原始表中3个字段列,只有name列在pivot中未涉及,但是最终结果将会包含name列下的全部值。
理解聚合函数的聚合粒度是什么?
在in中指定的值将会作为聚合条件之一,同时由于name未参与pivot函数使得结果包含全部name列值,因此结合起来的聚合条件就是name+subject

这里得出部分结论

  • column_list中已指定的列将不会出现在最终结果中
  • 聚合函数中使用的列也不会出现在最终结果中
  • 只有在column_list和聚合函数中都没有使用的列,才会原模原样出现在最终结果中,并且会将这些列作为聚合条件的一部分

2.5. 最终出现在SQL结果中的决定因素

select *
from pivot1 
pivot(max(score) as score1,avg(score) as avg,count(subject) as cnt for name in('张三','李四','王五'));
-- 执行结果
张三_score1   张三_avg    张三_cnt    李四_score1    李四_avg    李四_cnt     王五_score1    王五_avg    王五_cnt
100           93.33      3          100           90.0        3           99             98.5       2


select *
from pivot1 
pivot(max(score) as score1,avg(score) as avg,count(score) as cnt for name in('张三','李四','王五'));
-- 执行结果
subject 张三_score1    张三_avg     张三_cnt   李四_score1   李四_avg    李四_cnt     王五_score1  王五_avg    王五_cnt
英语     85            85.0        1          80           80.0        1           NULL        NULL        NULL
语文     95            95.0        1          90           90.0        1           99          99.0        1
数学     100           100.0       1          100          100.0       1           98          98.0        1

上述示例1中pivot1表中所有的字段中都参与了pivot函数,或在聚合函数中或在for后,因此SQL执行结果中将不会包含测试表中的原始列,聚合条件即为name。
示例2中pivot1表中subject字段没有参与pivot函数,因此SQL执行结果中会包含subject列的全部值,然后该值会加入到聚合条件中,聚合条件为subject+name。

上一篇:Kafka 3.x.x 入门到精通(02)——对标尚硅谷Kafka教程


下一篇:【Entity Framework】聊一聊EF如何使用数据库函数