Hive（连续查找 n 列中的最小值）

Question

我在 Hive 中有一个包含 5 列的表，即电子邮件、a_first_date、b_first_date、c_first_date、d_first_date。

a、b、c、d 是用户可以执行的 4 种不同操作，上表中的 4 列表示用户执行第一个相应操作的日期。例如，'a_first_date' 中的值包含用户执行操作 a 的日期。

输出：我想要的是包含电子邮件的 2 列，overall_first_date 即用户第一次操作的日期？

示例表：（假设所有值都是BIGINT类型而不是电子邮件）

电子邮件，a_first_date，b_first_date，c_first_date，d_first_date
abc,20140707,20140702,20140801,20140907
xyz,20140107,20140822,20140201,20141007

输出：

email,overall_first_date
abc,20140702
xyz,20140107

可能的解决方案是编写一个 UDF 或使用 IF ELSE 将这些值相互比较，然后找到最小值，但这会涉及大量比较。

或者我可以做一个：

select email, min(action) as overall_first_date from

(
select email, a_first_date as action from mytable
UNION ALL
select email, b_first_date as action from mytable
UNION ALL
select email, c_first_date as action from mytable
UNION ALL
select email, d_first_date as action from mytable
) q1

GROUP BY email 

但这又不是一个好方法。

谁能提出一个更好的方法来实现这一点？

Answer 1

使用函数 least()。 例如; 选择 *, least(col1,col2,col3) 作为 minofcol 来自表名；

Answer 2

你可以使用 Hive 的数组函数：

select email, 
       sort_array(array(a_first_date, b_first_date, c_first_date, d_first_date))[0]  as overall_first_date
from table;

我不确定这与 CASE 语句的性能相比如何。由于您没有很多列，因此两者都同样简单。

Answer 3

为什么不使用 case 语句？这似乎已经在 SQL 中彻底讨论过：https://dba.stackexchange.com/questions/21542/what-is-the-most-efficient-way-to-get-the-minimum-of-multiple-columns-on-sql-ser