[[375757]]

本文轉載自微信公眾號「Java大數據與數據倉庫」，作者劉不二。轉載本文請聯系Java大數據與數據倉庫公眾號。  

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. 一些機器學習的場景中，數倉作為數據的提供方提供樣本數據
2. 數據的計算結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據源的數據是否本身就有異常
3. SQL的性能有問題的時候我們也會使用抽樣的方法區查看數據，然后進行SQL調優
4. 在大規模數據量的數據分析及建模任務中，往往針對全量數據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據進行分析及建模操作。

隨機抽樣(rand()函數)

我們一般情況下是使用排序函數和rand() 函數來完成隨機抽樣，limit關鍵字限制抽樣返回的數據，不同之處再有我們使用哪個排序函數呢

利用 rand() 函數進行抽取，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據了，大家可以看Hive進階之數據存儲格式來獲取測試數據

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; 

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去的，所以如果我們可以通過控制進入每個分區的數據也是隨機的話，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函數前的distribute和sort關鍵字可以保證數據在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

分桶抽樣(桶表抽樣)

hive中分桶其實就是根據某一個字段Hash取模，放入指定數據的桶中，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的數據被放到第一個桶中，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()) ; 

數據塊抽樣

從 Hive 0.8 開始提供塊抽樣，使用 tablesample 抽取指定的 行數/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);  

按比例抽樣 ABLESAMPLE (20 PERCENT)

這將允許 Hive 至少獲取 n%的數據

SELECT 
    * 
FROM 
    ods_user_bucket_log 
TABLESAMPLE(0.0001 PERCENT); 

抽取特定大小的數據TABLESAMPLE(100M)

SELECT 
    * 
FROM 
    ods_user_bucket_log 
TABLESAMPLE(1M); 

需要注意的是這里必須是整數M ，以為我嘗試零點幾的時候報錯了

抽取特定的行數 TABLESAMPLE(10 ROWS)

SELECT 
    * 
FROM 
    ods_user_bucket_log 
TABLESAMPLE(10 rows); 

擴展

隨機抽樣如何實現按比例抽樣

前面我們介紹了TABLESAMPLE 可以實現按比例抽樣，隨機抽樣可以借助limit 可以實現抽取特定記錄數，其實我們如果對隨機抽樣進行改進也可以實現按照比例抽樣，因為rand() 的函數值是隨機的，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 
; 

分層抽樣(分組抽樣)

分層抽樣，這里可以分為兩種，一種是分層抽個數另外一種是分層抽比例

分層抽個數

select 
    * 
from ( 
    select 
        id,ctime, 
        row_number() over(partition by id order by rand() ) as rn 
    from 
        ods_user_log 
) tmp 
where rn<=3 
; 

分層按比例的抽樣，也可以按照上面的方式實現

總結

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