如果说聚合函数（Simple UDAF / Generic UDAF）是HQL聚合数据查询或分析的中枢处理器，那GROUP BY可以说是聚合函数的神经了，GROUP BY收集和传递材料，然后交给聚合函数们去处理。这些材料的组织形式显得尤为重要，它们表达着分析者想要的观察维度或视角，管理着聚合函数们的操作对象。
而分析者经常想要在一次分析中从多个维度去获得分析数据，对包含多个维度或多级层次的分析，上卷（roll up）或下钻（drill down）一类就很有分析价值。
我们有时候可以从最细、最多的粒度去做一个查询，然后把结果集导入Excel这个数据分析利器，用数据透视图标进行“上卷”分析；但有时候也行不通，比如说UV这种需要去重的数据，在Excel里用汇总方式进行上卷，就不是纯粹的UV概念了。
所以，对这种情形，在查询过程中，我们就需要获得已经下钻和上卷的数据；如果只有GROUP BY子句，那我们可以写出按各个维度或层次进行GROUP BY的查询语句，然后再通过UNION子句把结果集拼凑起来，但是这样的查询语句显得冗长、笨拙。
为此，HQL像其它很多SQL实现一样，为我们提供了GROUPINGSETS子句来简化查询语句的编写，以下官方CWiki文档很清晰地表达了GROUPING SETS的功能：
| Aggregate Query with GROUPING SETS | Equivalent Aggregate Query with GROUP BY |
| SELECT a, b, SUM(c) FROM tab1 GROUP BY a, b GROUPING SETS ( (a,b) ) | SELECT a, b, SUM(c) FROM tab1 GROUP BY a, b |
| SELECT a, b, SUM( c ) FROM tab1 GROUP BY a, b GROUPING SETS ( (a,b), a) | SELECT a, b, SUM( c ) FROM tab1 GROUP BY a, b UNION SELECT a, null, SUM( c ) FROM tab1 GROUP BY a |
| SELECT a,b, SUM( c ) FROM tab1 GROUP BY a, b GROUPING SETS (a,b) | SELECT a, null, SUM( c ) FROM tab1 GROUP BY a UNION SELECT null, b, SUM( c ) FROM tab1 GROUP BY b |
| SELECT a, b, SUM( c ) FROM tab1 GROUP BY a, b GROUPING SETS ( (a, b), a, b, ( ) ) | SELECT a, b, SUM( c ) FROM tab1 GROUP BY a, b UNION SELECT a, null, SUM( c ) FROM tab1 GROUP BY a, null UNION SELECT null, b, SUM( c ) FROM tab1 GROUP BY null, b UNION SELECT null, null, SUM( c ) FROM tab1 |
因为涉及UNION操作，所以为了遵循UNION对参与合并的数据集合的要求，GROUPING SETS会把在单个GROUP BY逻辑中没有参与GROUP BY的那一列置为NULL值，使它成为常量占位列。这样聚合出来的结果，未被GROUP BY的列将显示为NULL。
但是这样的处理也会引起一个歧义性问题，如果我们分析的表有一些列没有NOT NULL约束，那原始数据中，未被GROUP BY的列可能原本就会出现一些NULL值，这样，GROUPING SETS出来的结果，我们没有办法去区分该列显示的NULL值是原始数据出现的NULL值聚合的结果，还是你因为这列没有参与GROUP BY而被置为NULL值的结果。
为了解决这个歧义问题，HQL又为我们提供了一个Grouping__ID函数（请注意函数名中的下划线是两个！）；这个函数没有参数，在有GROUPING SETS子句的情况下，把它直接放在SELECT子句中，像其它列一样，独占一列。它返回的结果是一个看起来像整形数值类型，其实是字符串的值，这个值使用了位图策略（bitvector，位向量），即它的二进制形式中的每1位标示着对应列是否参与GROUP BY，如果某一列参与了GROUP BY，对应位就被置为1，否则为0，根据这个位向量值和对应列是否显示为NULL，我们就可以解决上面提到的歧义问题了。
这样一来，Grouping__ID函数返回值的范围由查询的字段数（除去聚合函数产生的列）决定，如果比如有3列，那位向量为3位，最大值为7。CWiki文档提供了下面的示例：
有下面一个表数据：
我们用这样的查询语句去执行查询：
SELECT key, value, GROUPING__ID, count(*) from T1 GROUP BY key,value WITH ROLLUP得到如下结果：
官方文档没有明确说明这个位向量和各列的高低位对应关系，但是从示例我们可以看到，这个位向量的低位对应SELECT子句中的第1列（非聚合列），高位对应最后1列（非聚合列）。
上面的查询用到了WITH ROLLUP子句，它对应SQL中的上卷操作，其实它就是GROUPINGSETS的特例，对应上面第一个表格中的第4种情形；根据官方的CWiki文档解释，GROUP BY 子句加上ROLLUP 子句可用于计算从一个维度进行层级聚合的操作：
GROUP BY a, b, c with ROLLUP assumes that the hierarchy is"a" drilling down to "b" drilling down to "c".
类似地还有WITH CUBE子句，对应SQL中的CUBE操作，它完成对字段列中的所有可能组合（全序集？）进行GROUP BY的功能，正如官方CWiki文档的解释：
GROUP BY a, b, c WITH CUBE 等同于
GROUP BY a, b, c GROUPING SETS ( (a, b, c), (a, b), (b, c), (a, c),(a), (b), (c), ( ))
GROUPING SETS增强了GROUP BY的查询表达能力，ROLLUP和CUBE又增强了GROUPING SETS的查询表达能力，这样一来，GROUP BY的形态也变得多样化了，让我们能够在查询阶段就实现更多的分析角度。
还需留意的是：Hive从0.10.0版本才开始有GROUPING SETS的。
官方CWiki文档请点我：https://cwiki.apache.org/confluence/display/Hive/Enhanced+Aggregation,+Cube,+Grouping+and+Rollup