HQL之抽樣篇

由于數(shù)據(jù)量本身通常過于浩大竖螃,我們需要一部分數(shù)據(jù)來加速數(shù)據(jù)分析過程笔刹。我們就需要運用抽樣技術來發(fā)現(xiàn)整個數(shù)據(jù)集的模式和趨勢句伶。HQL中有三種抽樣技術:隨機取樣(random sampling)篮撑、表取樣(bucket table sampling)和塊取樣(block sampling)。

  1. 隨機取樣(random sampling)
    隨機取樣使用rand()函數(shù)和LIMIT關鍵字來獲取樣例數(shù)據(jù)流济,請看以下示例
> SELECT name FROM employee_hr 
> DISTRIBUTE BY rand() SORT BY rand() LIMIT 2;
+--------+
| name   |
+--------+
| Will   |
| Steven |
+--------+
2 rows selected (52.399 seconds)

以上語句中DISTRIBUTE和SORT關鍵字用于確保數(shù)據(jù)有效地在mapper和reducer中隨機分布锐锣,也可以使用ORDER BY rand()來代替,但性能很差绳瘟。

  1. 表抽樣(bucket table sampling)
    這種抽樣方式專門針對bucket table進行了優(yōu)化雕憔。如下例所示,
-- Sampling based on the whole row
> SELECT name FROM employee_trans
> TABLESAMPLE(BUCKET 1 OUT OF 2 ON rand()) a;
+--------+
| name   |
+--------+
| Steven |
+--------+
1 row selected (0.129 seconds)
-- Sampling based on the bucket column, which is efficient
> SELECT name FROM employee_trans 
> TABLESAMPLE(BUCKET 1 OUT OF 2 ON emp_id) a;
+---------+
| name    |
+---------+
| Lucy    |
| Steven  |
| Michael |
+---------+
3 rows selected (0.136 seconds)

如果抽樣列同時是CLUSTERED BY列糖声,抽樣效率更高斤彼。

  1. 塊抽樣(Block sampling)
    塊抽樣隨機提取n行數(shù)據(jù)記錄,百分之n大小的數(shù)據(jù)記錄或者n個字節(jié)的數(shù)據(jù)記錄姨丈。這個抽樣的粒度為HDFS塊級別畅卓。請看以下示例,
-- Sample by number of rows
> SELECT name
> FROM employee TABLESAMPLE(1 ROWS) a;
+----------+
|   name   |
+----------+
| Michael  |
+----------+
1 rows selected (0.075 seconds)
-- Sample by percentage of data size
> SELECT name
> FROM employee TABLESAMPLE(50 PERCENT) a;
+----------+
|   name   |
+----------+
| Michael  |
| Will     |
+----------+
2 rows selected (0.041 seconds)
-- Sample by data size
-- Support b/B, k/K, m/M, g/G
> SELECT name FROM employee TABLESAMPLE(1B) a;
+----------+
|   name   |
+----------+
| Michael  |
+----------+
1 rows selected (0.075 seconds)
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末蟋恬,一起剝皮案震驚了整個濱河市翁潘,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌歼争,老刑警劉巖拜马,帶你破解...
    沈念sama閱讀 222,104評論 6 515
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異沐绒,居然都是意外死亡俩莽,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,816評論 3 399
  • 文/潘曉璐 我一進店門乔遮,熙熙樓的掌柜王于貴愁眉苦臉地迎上來扮超,“玉大人,你說我怎么就攤上這事蹋肮〕鏊ⅲ” “怎么了?”我有些...
    開封第一講書人閱讀 168,697評論 0 360
  • 文/不壞的土叔 我叫張陵坯辩,是天一觀的道長馁龟。 經(jīng)常有香客問我,道長漆魔,這世上最難降的妖魔是什么坷檩? 我笑而不...
    開封第一講書人閱讀 59,836評論 1 298
  • 正文 為了忘掉前任,我火速辦了婚禮改抡,結果婚禮上矢炼,老公的妹妹穿的比我還像新娘。我一直安慰自己阿纤,他們只是感情好句灌,可當我...
    茶點故事閱讀 68,851評論 6 397
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著阵赠,像睡著了一般涯塔。 火紅的嫁衣襯著肌膚如雪肌稻。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,441評論 1 310
  • 那天匕荸,我揣著相機與錄音爹谭,去河邊找鬼。 笑死榛搔,一個胖子當著我的面吹牛诺凡,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播践惑,決...
    沈念sama閱讀 40,992評論 3 421
  • 文/蒼蘭香墨 我猛地睜開眼腹泌,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了尔觉?” 一聲冷哼從身側響起凉袱,我...
    開封第一講書人閱讀 39,899評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎侦铜,沒想到半個月后专甩,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,457評論 1 318
  • 正文 獨居荒郊野嶺守林人離奇死亡钉稍,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,529評論 3 341
  • 正文 我和宋清朗相戀三年涤躲,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片贡未。...
    茶點故事閱讀 40,664評論 1 352
  • 序言:一個原本活蹦亂跳的男人離奇死亡种樱,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出俊卤,到底是詐尸還是另有隱情嫩挤,我是刑警寧澤,帶...
    沈念sama閱讀 36,346評論 5 350
  • 正文 年R本政府宣布瘾蛋,位于F島的核電站俐镐,受9級特大地震影響矫限,放射性物質發(fā)生泄漏哺哼。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 42,025評論 3 334
  • 文/蒙蒙 一叼风、第九天 我趴在偏房一處隱蔽的房頂上張望取董。 院中可真熱鬧,春花似錦无宿、人聲如沸茵汰。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,511評論 0 24
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽蹂午。三九已至栏豺,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間豆胸,已是汗流浹背奥洼。 一陣腳步聲響...
    開封第一講書人閱讀 33,611評論 1 272
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留晚胡,地道東北人灵奖。 一個月前我還...
    沈念sama閱讀 49,081評論 3 377
  • 正文 我出身青樓,卻偏偏與公主長得像估盘,于是被迫代替她去往敵國和親瓷患。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 45,675評論 2 359

推薦閱讀更多精彩內(nèi)容