我有一张这样的桌子:
group val1 val2 val3
group1 5 . .
group1 . 2 1
group1 . . 3
group2 1 4 .
group2 . . 8
group2 2 . 7
我需要使用空值(。)作为通配符,对Hive中每个组的所有可能组合的出现进行计数。这会给我这样的结果:
group val1 val2 val3 cnt
group1 5 2 1 2
group1 5 2 3 2
group2 1 4 8 2
group2 2 4 8 1
group2 2 4 7 1
我知道我可以通过选择所有不同的group-val1对,将其与所有不同的group-val2对完全连接,以及将其与所有不同的group-val3对完全连接来做到这一点。这为我提供了每个组的所有可能组合,然后可以与表进行内部联接,计算出原始数据的行是组合子集的情况。
类似这样的东西:
create table my_results as
with combos as (
select *
from (select distinct group,val1 from data) A
full join (select distinct group,val2 from data) B
on A.group = B.group
full join (select distinct group,val3 from data) C
on A.group = C.group
)
select A.group,A.val1,A.val2,A.val3,count(*)
from combos A
inner join data B
on A.group = B.group
and (A.val1 = B.val1 OR B.val1 is null)
and (A.val2 = B.val2 OR B.val2 is null)
and (A.val3 = B.val3 OR B.val3 is null)
group by A.group,A.val3
但是!我的数据集非常大(亿万行),我可以预期的所有可能组合的数量也非常大(十万行)。这样的连接太大了。
还有另一种方法吗?我想知道是否可以使用正则表达式,但是我不知道从哪里开始。