hvie使用python做数据处理官网的demo

冷不防 2022-05-28 07:19 134阅读 0赞

> 参考官方提供的一个使用python做数据处理案例。

##### 官方案例地址 #####

[参考连接][Link 1]

##### 创建新表 #####

CREATE TABLE u_data (
      userid INT,
      movieid INT,
      rating INT,
      unixtime STRING)
    ROW FORMAT DELIMITED
    FIELDS TERMINATED BY '\t'
    STORED AS TEXTFILE;

##### 下载初始数据 #####

下载文件到自己需要放的目录

wget http://files.grouplens.org/datasets/movielens/ml-100k.zip
    或者
    curl --remote-name http://files.grouplens.org/datasets/movielens/ml-100k.zip
    解压文件
    unzip ml-100k.zip

##### 加载数据 #####

LOAD DATA LOCAL INPATH '/opt/cdhmoduels/data/ml-100k/u.data' into table u_data;
    这个时候的数据格式是这样的
    hive (default)> select * from u_data limit 10;
    OK
    u_data.userid	u_data.movieid	u_data.rating	u_data.unixtime
    196	242	3	881250949
    186	302	3	891717742
    22	377	1	878887116
    244	51	2	880606923
    166	346	1	886397596
    298	474	4	884182806
    115	265	2	881171488
    253	465	5	891628467
    305	451	3	886324817
    6	86	3	883603013
    上面结果中的最后一列的时间戳，我们需要把他变成星期几，大概结果是这样的
    hive (default)> select * from u_data_new limit 10;
    OK
    u_data_new.userid	u_data_new.movieid	u_data_new.rating	u_data_new.weekday
    196	242	3	4
    186	302	3	6
    22	377	1	4
    244	51	2	3
    166	346	1	7
    298	474	4	3
    115	265	2	3
    253	465	5	5
    305	451	3	7
    6	86	3	3

怎么把第一种结果变成第二种呢，这里就用python做一个数据处理了。

##### 创建python #####

新建python脚本  
新建py文件，vi weekday\_mapper.py，内容参考：

import sys
    import datetime
    
    for line in sys.stdin:
      line = line.strip()
      userid, movieid, rating, unixtime = line.split('\t')
      weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()
      print '\t'.join([userid, movieid, rating, str(weekday)])
    ------------------------------
    其中函数大概含义是这样的
    1、.strip()移除左右空格，默认就是空格
    2、.split('\t')通过这个方法来对于字符串进行切片
    3、.isoweekday()通过这个方法最终返回一个比如：如果是周一，那么返回1，以此类推，这样的类型

现在py函数写好了，那怎么用呢。  
**添加py脚本文件到hive，命令：**

add file /opt/cdhmoduels/data/weekday_mapper.py;

再新建一个表，用来保存数据处理过的数据

CREATE TABLE u_data_new (
      userid INT,
      movieid INT,
      rating INT,
      weekday INT)
    ROW FORMAT DELIMITED
    FIELDS TERMINATED BY '\t';

调用py脚本，把第一张表的数据做一个数据处理，然后放到第二个表中，命令参考

INSERT OVERWRITE TABLE u_data_new
    SELECT
      TRANSFORM (userid, movieid, rating, unixtime)
      USING 'python weekday_mapper.py'
      AS (userid, movieid, rating, weekday)
    FROM u_data;

**查看结果**

select * from u_data_new;
    SELECT weekday, COUNT(*)
    FROM u_data_new
    GROUP BY weekday;

[Link 1]: https://cwiki.apache.org/confluence/display/Hive/GettingStarted#GettingStarted-MovieLensUserRatings