关于hive:Hive实现数据抽样的三种方法

在大规模数据量的数据分析及建模工作中，往往针对全量数据进行开掘剖析时会非常耗时和占用集群资源，因而个别状况下只须要抽取一小部分数据进行剖析及建模操作。Hive 提供了数据取样（SAMPLING）的性能，可能依据肯定的规定进行数据抽样，目前反对数据块抽样，分桶抽样和随机抽样，具体如下所示：

1. 数据块抽样（tablesample() 函数）

1）tablesample(n percent) 依据 hive 表数据的大小按比例抽取数据，并保留到新的 hive 表中。如：抽取原 hive 表中 10% 的数据
（留神：测试过程中发现，select 语句不能带 where 条件且不反对子查问，可通过新建两头表或应用随机抽样解决）

create table xxx_new as select * from xxx tablesample(10 percent)
2）tablesample(n M) 指定抽样数据的大小，单位为 M。
3）tablesample(n rows) 指定抽样数据的行数，其中 n 代表每个 map 工作均取 n 行数据，map 数量可通过 hive 表的简略查问语句确认（关键词：number of mappers: x)

2. 分桶抽样

hive 中分桶其实就是依据某一个字段 Hash 取模，放入指定数据的桶中，比方将表 table_1 依照 ID 分成 100 个桶，其算法是 hash(id) % 100，这样，hash(id) % 100 = 0 的数据被放到第一个桶中，hash(id) % 100 = 1 的记录被放到第二个桶中。创立分桶表的要害语句为：CLUSTER BY 语句。
分桶抽样语法：

TABLESAMPLE (BUCKET x OUT OF y [ON colname])
其中 x 是要抽样的桶编号，桶编号从 1 开始，colname 示意抽样的列，y 示意桶的数量。
例如：将表随机分成 10 组，抽取其中的第一个桶的数据

select * from table_01 tablesample(bucket 1 out of 10 on rand())

3. 随机抽样（rand() 函数）

1）应用 rand() 函数进行随机抽样，limit 关键字限度抽样返回的数据，其中 rand 函数前的 distribute 和 sort 关键字能够保证数据在 mapper 和 reducer 阶段是随机散布的，案例如下：

select * from table_name where col=xxx distribute by rand() sort by rand() limit num;

2）应用 order 关键词

案例如下：

select * from table_name where col=xxx order by rand() limit num;

经测试比照，千万级数据中进行随机抽样 order by 形式耗时更长，大概多 30 秒左右。

关键词：大数据培训