在处理一些复杂逻辑时候，使用实现python这种面向过程的函数语言相比于SQL更符合人的思维方式。相信有不少同学曾经感慨，使用实现如果能用python处理数据库中的函数数据就好了。那么今天它来了。使用实现

首先用python写处理复杂逻辑的函数自定义的函数(一阳指)，再将函数代码嵌入SQL(狮吼功)就能合并成了一整招：UDF

下面我用一个栗子来说明一些两者处理数据过程中的使用实现差异，在介绍栗子之前，函数先介绍一些with as。使用实现与python 创建函数或者类一样，函数with as 用于创建中间表

简单来做个介绍

select * from(select * from table where dt=2021-03-30)a 

可以写成

with a as (select * from table where dt=2021-03-30 ) select * from a 

简单的使用实现SQL看不出这样的优势(甚至有点多此一举)，但是函数当逻辑复杂了之后我们就能看出这种语法的优势，他能从底层抽取中间表格，使用实现让我们只专注于当前使用的函数表格，进而可以将复杂的使用实现处理逻辑分解成简单的云服务器提供商步骤。

如下面地表格记录了用户适用app过程中每个行为日志地时间戳，我们想统计一下用户今天用了几次app，以及每次的起始时间和结束时间是什么时候，这个问题怎么解呢?

SQL实现方式

首先用with as 构建一个中间表(注意看on 和 where条件)

with t1 as (select x.uid, case when x.rank=1 then y.timestamp_ms else x.timestamp_ms end as start_time, case when x.rank=1 then x.timestamp_ms else y.timestamp_ms end as end_time from (select uid, timestamp_ms, row_number()over(partition by uid order by timestamp_ms) rank from tmp.tmpx) x left outer join (select uid, timestamp_ms, row_number()over(partition by uid order by timestamp_ms) rank from tmp.tmpx) y on x.uid=y.uid and x.rank=y.rank-1 where x.rank=1 or y.rank is null or y.timestamp_ms-x.timestamp_ms>=300) 

首先我们用开窗函数错位相减，用where条件筛选出我们需要的列，其中

x.rank=1 抽取出第一行

y.rank is null 抽取最后一样

y.timestamp_ms-x.timestamp_ms>=300抽取满足条件的行，如下：

当然这个结果并不是我们要的结果，需要将上述表格中某一行数据的end-time和下一条数据的start-time结合起来起来，构造出时间段

好的，按照上面我们所说的那么下面我们不用关心底层的逻辑，将注意力专注于这张中间表t1

select a.uid,end_time as start_time,start_time as end_time from (select uid,start_time,row_number()over(partition by uid order by start_time) as rank from t1) a join (select uid,end_time,row_number()over(partition by uid order by end_time) as rank from t1)b on a.uid=b.uid and a.rank=b.rank+1 

同样，排序后错位相减，然后就可以打完收工了~

UDF实现方式

首先我们假设上述数据存储在csv中，

用python 处理本地文件data.csv，网站模板按照python的处理方式写代码(这里就不一句句解释了，会python的同学可以跳过，不会的同学不妨自己动手写一下)

def life_cut(files): f=open(files) act_list=[] act_dict={} for line in f:     line_list=line.strip().split()     key=tuple(line_list[0:1])     if key not in act_dict:         act_dict.setdefault(key,[])         act_dict[key].append(line_list[1])     else:         act_dict[key].append(line_list[1]) for k,v in act_dict.items():     k_str=k[0]+"\t"     start_time = v[0]     last_time=v[0]     i=1     while i<len(v)-1:         if int(v[i])-int(last_time)>=300:             print(k_str+"\t"+start_time+"\t"+v[i-1])             start_time=v[i]             last_time = v[i]             i=i+1         else:             last_time = v[i]             i=i+1     print(k_str+"\t"+start_time+"\t"+v[len(v)-1])     # print(k_str + "\t" + start_time + "\t" + v[i]) if __name__=="__main__": life_cut("data.csv") 

得到结果如下：

那么下面我们将上述函数写成udf的形式：

#!/usr/bin/env python # -*- encoding:utf-8 -*- import sys act_list=[] act_dict={} for line in sys.stdin: line_list=line.strip().split("\t") key=tuple(line_list[0:1]) if key not in act_dict:     act_dict.setdefault(key,[])     act_dict[key].append(line_list[1]) else:     act_dict[key].append(line_list[1]) for k,v in act_dict.items(): k_str=k[0]+"\t" start_time = v[0] last_time=v[0] i=1 while i<len(v)-1:     if int(v[i])-int(last_time)>=300:       print(k_str+"\t"+start_time+"\t"+v[i-1])       start_time=v[i]       last_time = v[i]       i=i+1     else:       last_time = v[i]       i=i+1 print(k_str+"\t"+start_time+"\t"+v[len(v)-1]) 

这个变化过程的关键点是将 for line in f 替换成 for line in sys.stdin，其他基本上没什么变化

然后我们再来引用这个函数

先add这个函数的路径add file /xxx/life_cut.py 加载udf路径，然后再使用

select TRANSFORM (uid,timestamp_ms) USING "python life_cut.py" as (uid,start_time,end_time) from tmp.tmpx 

总结

从上述案例我们可以看出，

UDF和SQL的区别在于，在处理复杂逻辑时候，UDF相比SQL能更高效地组织起来逻辑并落地实现功能。UDF和普通脚本的关键区别所在在于将 for line in f 替换成 for line in sys.stdin，常规函数一般是将文件一行行读入，UDF是从标准输入一行行加载数据。希望大家平时没事的时候好好练练python，切莫书到用时方恨少。

服务器租用

(责任编辑：系统运维)