统计2019年4月份每个人的购买记录次数
select name,count(*) over ()
from odist
where otime = '2019-04'
group by name

-------执行结果
mart 2 
jack 2

》》执行
select name,count(*)
from odist
where otime = '2019-04'
group by name

-----》》输出结果
mart 1
jack 1
mart 1 
jack 1

统计顾客的购买明细及月购买总额
select name,otime,cost,sum(cost) over(partition by month(otime))
from odist
--------查询结果：
name    otime   cost    sum_window_0
jack    2015-01-01  10  76
jack    2015-01-08  10  76
jack    2015-01-07  10  76
jack    2015-01-05  46  76
jack    2015-02-03  23  23
neil    2015-05-10  12  12
neil    2015-06-12  80  80

select name,otime,cost,sum(cost) over(partition by month(otime) order by otime )
from odist

1、空值产生的数据倾斜

解决方案 1：user_id 为空的不参与关联
解决方案 2：赋予空值新的 key 值


2、不同数据类型关联产生数据倾斜
用户表中 user_id 字段为 int，log 表中 user_id 为既有 string 也有 int 的类型， 当按照两个表的 user_id 进行 join 操作的时候，
默认的 hash 操作会按照 int 类型的 id 进 行分配，这样就会导致所有的 string 类型的 id 就被分到同一个 reducer 当中。

解决方案： 把数字类型 id 转换成 string 类型的 id。
3、大小表关联查询产生数据倾斜
注意：使用map join解决小表关联大表造成的数据倾斜问题。这个方法使用的频率很高。
map join 概念：将其中做连接的小表（全量数据）分发到所有 MapTask 端进行 Join，从 而避免了 reduceTask，前提要求是内存足以装下该全量数据。

在 hive0.11 版本以后会自动开启 map join 优化，由两个参数控制：
set hive.auto.convert.join=true; //设置 MapJoin 优化自动开启
set hive.mapjoin.smalltable.filesize=25000000 //设置小表不超过多大时开启 mapjoin 优化
如果是大大表关联呢？那就大事化小，小事化了。把大表切分成小表，然后分别 map join

1、hive 中的join可分为俩类，一种是common join（也叫Reduce join或shuffle join),另一种是 map join，
后者是对hive join的一个优化，利用本地的task对较小的表hash生产一个hashtable文件，然后直接和map出来另一个表进行匹配，最终完成join.

2、set hive.auto.convert.join = false 在0.7.0到0.10.0版本默认是false，表示不使用优化
3、set hive.auto.convert.join = true在0.11.0到之后的版本是ture,代表使用优化