다음 그림에서 보듯이 [종단] 테이블을 [종단] 으로 변환하는 것을 [경첩] 이라고 하고, 반대로 [종단] 테이블을 [종단] 으로 변환하는 것을'비경첩'이라고 합니다.이러한 전환을 진행하는 방법을 총결하였다.

표준 SQL

Presto

Hive

Pandas (Python)

표준 SQL

SQL-like 쿼리 언어 어디에서나 사용할 수 있는 쓰기 방법입니다.
Pivot

SELECT uid,
       max(CASE WHEN key = 'c1' THEN value END) AS c1,
       max(CASE WHEN key = 'c2' THEN value END) AS c2,
       max(CASE WHEN key = 'c3' THEN value END) AS c3
FROM vtable
GROUP BY uid
;

uid  c1  c2  c3
---  --  --  --
101  11  12  13
102  21  22  23

Unpivot

SELECT uid, 'c1' AS key, c1 AS value FROM htable
UNION ALL
SELECT uid, 'c2' AS key, c2 AS value FROM htable
UNION ALL
SELECT uid, 'c3' AS key, c3 AS value FROM htable
;

uid  key  value
---  ---  -----
101   c1     11
102   c1     21
101   c2     12
102   c2     22
101   c3     13
102   c3     23

Presto

표준 SQL 방법도 가능하지만 다음과 같은 방법을 사용할 수도 있습니다.
Pivotmap_agg 함수로 지도형 구조를 만든 후 참조하는 방법.

SELECT
  uid,
  kv['c1'] AS c1,
  kv['c2'] AS c2,
  kv['c3'] AS c3
FROM (
  SELECT uid, map_agg(key, value) kv
  FROM vtable
  GROUP BY uid
) t

uid  c1  c2  c3
---  --  --  --
101  11  12  13
102  21  22  23

Unpivot
열을 만들어 배열한 후CROSS JOIN unnest 펼치는 방법이다.PostgreSQL에서도 사용할 수 있습니다.

SELECT t1.uid, t2.key, t2.value
FROM htable t1
CROSS JOIN unnest (
  array['c1', 'c2', 'c3'],
  array[c1, c2, c3]
) t2 (key, value)

uid  key  value
---  ---  -----
101   c1     11
101   c2     12
101   c3     13
102   c1     21
102   c2     22
102   c3     23

Hive

Pivot
표준 Hive 함수는 아니지만 Treasure 데이터의 Hive에 to_map UDAF를 추가하여 지도형 구조를 만든 후에 참조할 수 있습니다.

SELECT
  uid,
  kv['c1'] AS c1,
  kv['c2'] AS c2,
  kv['c3'] AS c3
FROM (
  SELECT uid, to_map(key, value) kv
  FROM vtable
  GROUP BY uid
) t

uid  c1  c2  c3
---  --  --  --
101  11  12  13
102  21  22  23

UnpivotLATERAL VIEW explode 전개 방법이 있다.

SELECT t1.uid, t2.key, t2.value
FROM htable t1
LATERAL VIEW explode (map(
  'c1', c1,
  'c2', c2,
  'c3', c3
)) t2 as key, value

uid  key  value
---  ---  -----
101   c1     11
101   c2     12
101   c3     13
102   c1     21
102   c2     22
102   c3     23

Pandas

pivot 및 melt 등의 함수를 사용할 수 있습니다.
Pivot

In [1]: vtable.pivot('uid', 'key', 'value')
Out[1]:
key  c1  c2  c3
uid
101  11  12  13
102  21  22  23

Unpivot

In [2]: pd.melt(htable, 'uid', var_name='key')
Out[2]: 
  uid  key  value
0 101   c1     11
1 101   c2     12
2 101   c3     13
3 102   c1     21
4 102   c2     22
5 102   c3     23