MaxCompute SQL使用小技巧之多列转多行

简介: 上一篇分析了常用的行列转换,在这里补充一点使用posexplode函数进行多列转多行

我们知道SQL中有个explode函数,经常使用的也是该函数,但还有个函数posexplode用法和其类似,使用好这个函数,可以简化不少工作。话不多说,直接上示例。

案例:有一张表,其数据如下

seat_no

bd_time

A,B,C,D

8:00,8:10,8:20,8:30

H,I,J,K

9:10,9:20,9:30,9:40

...

...

展示如下:

sn

bt

A

8:00

B

8:10

C

8:20

D

8:30

...

...

分析:看到字段数据,可以想到使用lateral view explode展开,我们先使用explode展开看下

with tb1 as(select        seat_no,        bd_time
fromvalues('A,B,C,D','8:00,8:10,8:20,8:30'),('H,I,J,K','9:10,9:20,9:30,9:40')               t(seat_no,bd_time))select    seat_no,    bd_time,    exp_sn
from tb1 
    lateral view explode(split(seat_no,',')) t as exp_sn;--只展开seat_no 结果如下seat_no bd_time             exp_sn
A,B,C,D 8:00,8:10,8:20,8:30 A
A,B,C,D 8:00,8:10,8:20,8:30 B
A,B,C,D 8:00,8:10,8:20,8:30 C
A,B,C,D 8:00,8:10,8:20,8:30 D
H,I,J,K 9:10,9:20,9:30,9:40 H
H,I,J,K 9:10,9:20,9:30,9:40 I
H,I,J,K 9:10,9:20,9:30,9:40 J
H,I,J,K 9:10,9:20,9:30,9:40 K
select    seat_no,    bd_time,    exp_sn,    exp_bt
from tb1 
    lateral view explode(split(seat_no,',')) t as exp_sn
    lateral view explode(split(bd_time,',')) t as exp_bt;--两个字段均展开seat_no bd_time             exp_sn  exp_bt
A,B,C,D 8:00,8:10,8:20,8:30 A       8:00A,B,C,D 8:00,8:10,8:20,8:30 A       8:10A,B,C,D 8:00,8:10,8:20,8:30 A       8:20A,B,C,D 8:00,8:10,8:20,8:30 A       8:30A,B,C,D 8:00,8:10,8:20,8:30 B       8:00A,B,C,D 8:00,8:10,8:20,8:30 B       8:10A,B,C,D 8:00,8:10,8:20,8:30 B       8:20A,B,C,D 8:00,8:10,8:20,8:30 B       8:30A,B,C,D 8:00,8:10,8:20,8:30 C       8:00A,B,C,D 8:00,8:10,8:20,8:30 C       8:10A,B,C,D 8:00,8:10,8:20,8:30 C       8:20A,B,C,D 8:00,8:10,8:20,8:30 C       8:30A,B,C,D 8:00,8:10,8:20,8:30 D       8:00A,B,C,D 8:00,8:10,8:20,8:30 D       8:10A,B,C,D 8:00,8:10,8:20,8:30 D       8:20A,B,C,D 8:00,8:10,8:20,8:30 D       8:30H,I,J,K 9:10,9:20,9:30,9:40 H       9:10H,I,J,K 9:10,9:20,9:30,9:40 H       9:20H,I,J,K 9:10,9:20,9:30,9:40 H       9:30H,I,J,K 9:10,9:20,9:30,9:40 H       9:40H,I,J,K 9:10,9:20,9:30,9:40 I       9:10H,I,J,K 9:10,9:20,9:30,9:40 I       9:20H,I,J,K 9:10,9:20,9:30,9:40 I       9:30H,I,J,K 9:10,9:20,9:30,9:40 I       9:40H,I,J,K 9:10,9:20,9:30,9:40 J       9:10H,I,J,K 9:10,9:20,9:30,9:40 J       9:20H,I,J,K 9:10,9:20,9:30,9:40 J       9:30H,I,J,K 9:10,9:20,9:30,9:40 J       9:40H,I,J,K 9:10,9:20,9:30,9:40 K       9:10H,I,J,K 9:10,9:20,9:30,9:40 K       9:20H,I,J,K 9:10,9:20,9:30,9:40 K       9:30H,I,J,K 9:10,9:20,9:30,9:40 K       9:40

从上述结果可以看到,按两个字段展开相当于直接笛卡尔积了,在之前的文章中我们也分析过生成索引的posexplode函数,接下来我们加上索引试试看

select    seat_no,    bd_time,    inx_sn,    exp_sn
from tb1 
    lateral view posexplode(split(seat_no,',')) t as inx_sn,exp_sn;--只展开seat_no 结果如下seat_no bd_time inx_sn  exp_sn
A,B,C,D 8:00,8:10,8:20,8:300 A
A,B,C,D 8:00,8:10,8:20,8:301 B
A,B,C,D 8:00,8:10,8:20,8:302 C
A,B,C,D 8:00,8:10,8:20,8:303 D
H,I,J,K 9:10,9:20,9:30,9:400 H
H,I,J,K 9:10,9:20,9:30,9:401 I
H,I,J,K 9:10,9:20,9:30,9:402 J
H,I,J,K 9:10,9:20,9:30,9:403 K
select    seat_no,    bd_time,    inx_sn,    exp_sn,    inx_bt,    exp_bt
from tb1 
    lateral view posexplode(split(seat_no,',')) t as inx_sn,exp_sn
    lateral view posexplode(split(bd_time,',')) t as inx_bt,exp_bt;--两个字段均展开seat_no bd_time inx_sn  exp_sn  inx_bt  exp_bt
A,B,C,D 8:00,8:10,8:20,8:300 A 08:00A,B,C,D 8:00,8:10,8:20,8:300 A 18:10A,B,C,D 8:00,8:10,8:20,8:300 A 28:20A,B,C,D 8:00,8:10,8:20,8:300 A 38:30A,B,C,D 8:00,8:10,8:20,8:301 B 08:00A,B,C,D 8:00,8:10,8:20,8:301 B 18:10A,B,C,D 8:00,8:10,8:20,8:301 B 28:20A,B,C,D 8:00,8:10,8:20,8:301 B 38:30A,B,C,D 8:00,8:10,8:20,8:302 C 08:00A,B,C,D 8:00,8:10,8:20,8:302 C 18:10A,B,C,D 8:00,8:10,8:20,8:302 C 28:20A,B,C,D 8:00,8:10,8:20,8:302 C 38:30A,B,C,D 8:00,8:10,8:20,8:303 D 08:00A,B,C,D 8:00,8:10,8:20,8:303 D 18:10A,B,C,D 8:00,8:10,8:20,8:303 D 28:20A,B,C,D 8:00,8:10,8:20,8:303 D 38:30H,I,J,K 9:10,9:20,9:30,9:400 H 09:10H,I,J,K 9:10,9:20,9:30,9:400 H 19:20H,I,J,K 9:10,9:20,9:30,9:400 H 29:30H,I,J,K 9:10,9:20,9:30,9:400 H 39:40H,I,J,K 9:10,9:20,9:30,9:401 I 09:10H,I,J,K 9:10,9:20,9:30,9:401 I 19:20H,I,J,K 9:10,9:20,9:30,9:401 I 29:30H,I,J,K 9:10,9:20,9:30,9:401 I 39:40H,I,J,K 9:10,9:20,9:30,9:402 J 09:10H,I,J,K 9:10,9:20,9:30,9:402 J 19:20H,I,J,K 9:10,9:20,9:30,9:402 J 29:30H,I,J,K 9:10,9:20,9:30,9:402 J 39:40H,I,J,K 9:10,9:20,9:30,9:403 K 09:10H,I,J,K 9:10,9:20,9:30,9:403 K 19:20H,I,J,K 9:10,9:20,9:30,9:403 K 29:30H,I,J,K 9:10,9:20,9:30,9:403 K 39:40

从上述结果看,posexplode的索引的确省下了不少事,可以利用两个索引值相同进行过滤,可得到想要的结果

select    seat_no,    bd_time,    exp_sn,    exp_bt
from tb1 
    lateral view posexplode(split(seat_no,',')) t as inx_sn,exp_sn
    lateral view posexplode(split(bd_time,',')) t as inx_bt,exp_bt
where inx_sn = inx_bt;--结果如下seat_no bd_time exp_sn  exp_bt
A,B,C,D 8:00,8:10,8:20,8:30 A 8:00A,B,C,D 8:00,8:10,8:20,8:30 B 8:10A,B,C,D 8:00,8:10,8:20,8:30 C 8:20A,B,C,D 8:00,8:10,8:20,8:30 D 8:30H,I,J,K 9:10,9:20,9:30,9:40 H 9:10H,I,J,K 9:10,9:20,9:30,9:40 I 9:20H,I,J,K 9:10,9:20,9:30,9:40 J 9:30H,I,J,K 9:10,9:20,9:30,9:40 K 9:40

关于posexplode具体细节用法,可参考阿里云文档

https://help.aliyun.com/document_detail/293597.html#section-2yc-ymd-p11

拜了个拜

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
目录
相关文章
|
10月前
|
SQL 存储 分布式计算
【万字长文,建议收藏】《高性能ODPS SQL章法》——用古人智慧驾驭大数据战场
本文旨在帮助非专业数据研发但是有高频ODPS使用需求的同学们(如数分、算法、产品等)能够快速上手ODPS查询优化,实现高性能查数看数,避免日常工作中因SQL任务卡壳、失败等情况造成的工作产出delay甚至集群资源稳定性问题。
1761 36
【万字长文,建议收藏】《高性能ODPS SQL章法》——用古人智慧驾驭大数据战场
|
SQL 人工智能 分布式计算
别再只会写SQL了!这五个大数据趋势正在悄悄改变行业格局
别再只会写SQL了!这五个大数据趋势正在悄悄改变行业格局
317 0
|
11月前
|
SQL 分布式计算 大数据
SparkSQL 入门指南:小白也能懂的大数据 SQL 处理神器
在大数据处理的领域,SparkSQL 是一种非常强大的工具,它可以让开发人员以 SQL 的方式处理和查询大规模数据集。SparkSQL 集成了 SQL 查询引擎和 Spark 的分布式计算引擎,使得我们可以在分布式环境下执行 SQL 查询,并能利用 Spark 的强大计算能力进行数据分析。
|
SQL 大数据 数据挖掘
玩转大数据:从零开始掌握SQL查询基础
玩转大数据:从零开始掌握SQL查询基础
536 35
|
SQL 关系型数据库 MySQL
大数据新视界--大数据大厂之MySQL数据库课程设计:MySQL 数据库 SQL 语句调优方法详解(2-1)
本文深入介绍 MySQL 数据库 SQL 语句调优方法。涵盖分析查询执行计划,如使用 EXPLAIN 命令及理解关键指标;优化查询语句结构,包括避免子查询、减少函数使用、合理用索引列及避免 “OR”。还介绍了索引类型知识,如 B 树索引、哈希索引等。结合与 MySQL 数据库课程设计相关文章,强调 SQL 语句调优重要性。为提升数据库性能提供实用方法,适合数据库管理员和开发人员。
|
关系型数据库 MySQL 大数据
大数据新视界--大数据大厂之MySQL 数据库课程设计:MySQL 数据库 SQL 语句调优的进阶策略与实际案例(2-2)
本文延续前篇,深入探讨 MySQL 数据库 SQL 语句调优进阶策略。包括优化索引使用,介绍多种索引类型及避免索引失效等;调整数据库参数,如缓冲池、连接数和日志参数;还有分区表、垂直拆分等其他优化方法。通过实际案例分析展示调优效果。回顾与数据库课程设计相关文章,强调全面认识 MySQL 数据库重要性。为读者提供综合调优指导,确保数据库高效运行。
|
SQL 算法 大数据
为什么大数据平台会回归SQL
在大数据领域,尽管非结构化数据占据了大数据平台80%以上的存储空间,结构化数据分析依然是核心任务。SQL因其广泛的应用基础和易于上手的特点成为大数据处理的主要语言,各大厂商纷纷支持SQL以提高市场竞争力。然而,SQL在处理复杂计算时表现出的性能和开发效率低下问题日益凸显,如难以充分利用现代硬件能力、复杂SQL优化困难等。为了解决这些问题,出现了像SPL这样的开源计算引擎,它通过提供更高效的开发体验和计算性能,以及对多种数据源的支持,为大数据处理带来了新的解决方案。
|
SQL 存储 算法
比 SQL 快出数量级的大数据计算技术
SQL 是大数据计算中最常用的工具,但在实际应用中,SQL 经常跑得很慢,浪费大量硬件资源。例如,某银行的反洗钱计算在 11 节点的 Vertica 集群上跑了 1.5 小时,而用 SPL 重写后,单机只需 26 秒。类似地,电商漏斗运算和时空碰撞任务在使用 SPL 后,性能也大幅提升。这是因为 SQL 无法写出低复杂度的算法,而 SPL 提供了更强大的数据类型和基础运算,能够实现高效计算。
|
SQL 消息中间件 分布式计算
大数据-143 - ClickHouse 集群 SQL 超详细实践记录!(一)
大数据-143 - ClickHouse 集群 SQL 超详细实践记录!(一)
678 0