文章目录
在大规模数据量的数据分析及建模任务中,往往针对全量数据进行挖掘分析时会十分耗时和占用集群资源,因此一般情况下只需要抽取一小部分数据进行分析及建模操作。本文就介绍 Hive 中三种数据抽样的方法
块抽样(Block Sampling)
Hive 本身提供了抽样函数,使用 TABLESAMPLE 抽取指定的 行数/比例/大小,举例:
CREATE TABLE iteblog AS SELECT * FROM iteblog1 TABLESAMPLE(1000 ROWS); CREATE TABLE iteblog AS SELECT * FROM iteblog1 TABLESAMPLE (20 PERCENT); CREATE TABLE iteblog AS SELECT * FROM iteblog1 TABLESAMPLE(1M);
缺点:不随机。该方法实际上是按照文件中的顺序返回数据,对分区表,从头开始抽取,可能造成只有前面几个分区的数据。
优点:速度快。
分桶表抽样 (Smapling Bucketized Table)
利用分桶表,随机分到多个桶里,然后抽取指定的一个桶。举例:随机分到10个桶,抽取第一个桶。
CREATE TABLE iteblog AS SELECT * FROM iteblog1 TABLESAMPLE (BUCKET 1 OUT OF 10 ON rand());
优点:随机,测试发现,速度比方法3的rand()快。
随机抽样
原理:利用 rand()
函数进行抽取,rand()
返回一个0到1之间的 double 值。
使用方法一
CREATE TABLE iteblog AS SELECT * FROM iteblog1 ORDER BY rand() limit 10000
此时,可以提供真正的随机抽样,但是,需要在单个 reducer 中进行总排序,速度慢。
使用方法二
CREATE TABLE iteblog AS SELECT * FROM iteblog1 SORT BY rand() limit 10000
Hive 提供了 sort by,sort by 提供了单个 reducer 内的排序功能,但不保证整体有序,上面的语句是不保证随机性的。
使用方法三
CREATE TABLE iteblog AS SELECT * FROM iteblog1 where rand()<0.002 distribute by rand() sort by rand() limit 10000;
where 条件首先进行一次 map 端的优化,减少 reducer 需要处理的数据量,提高速度。distribute by 将数据随机分布,然后在每个 reducer 内进行随机排序,最终取10000条数据(如果数据量不足,可以提高 where 条件的 rand 过滤值)。
缺点:速度慢
使用方法四
CREATE TABLE iteblog AS SELECT * FROM iteblog1 where rand()<0.002 cluster by rand() limit 10000;
cluster by 的功能是 distribute by 和 sort by 的功能相结合,distribute by rand() sort by rand() 进行了两次随机,cluster by rand() 仅一次随机,所以速度上会比上一种方法快。
随机结果里面添加分区
上面的几种方法会丢失掉分区信息,我们可以结合动态分区将分区信息加到结果集中,具体如下:
set hive.exec.dynamic.partition=true; set hive.exec.dynamic.partition.mode=nonstrict; INSERT INTO TABLE iteblog partition(thedate) SELECT * FROM iteblog1 TABLESAMPLE (BUCKET 1 OUT OF 10 ON rand());本博客文章除特别声明,全部都是原创!
原创文章版权归过往记忆大数据(过往记忆)所有,未经许可不得转载。
本文链接: 【Hive 数据抽样的几种方法】(https://www.iteblog.com/archives/1996.html)