Apache spark Spark：在Spark数据帧上，agg函数和窗口函数之间有区别吗？

我想对spark Dataframe（spark 2.1）中的一列应用求和，我有两种方法：

1-具有窗口功能：

val windowing = Window.partitionBy("id")
dataframe
.withColumn("sum", sum(col("column_1")) over windowing)

dataframe
.groupBy("id")
.agg(sum(col("column_1")).alias("sum"))

2-使用agg功能：

val windowing = Window.partitionBy("id")
dataframe
.withColumn("sum", sum(col("column_1")) over windowing)

dataframe
.groupBy("id")
.agg(sum(col("column_1")).alias("sum"))

---

就表现而言，最好的方法是什么？这两种方法的区别是什么？

您可以在窗口内（第一种情况）或分组时（第二种情况）使用聚合函数。不同之处在于，对于一个窗口，每个行将与在其整个窗口上计算的聚合结果相关联。但是，分组时，每个组将与该组上的聚合结果相关联（一组行仅成为一行）

在你的情况下，你会得到这个

val dataframe=spark.range（6）.带列（“键”，“id%2”）
dataframe.show
+---+---+
|id |键|
+---+---+
|  0|  0|
|  1|  1|
|  2|  0|
|  3|  1|
|  4|  0|
|  5|  1|
+---+---+

案例1：窗口化

val windowing=Window.partitionBy（“键”）
dataframe.withColumn（“sum”，sum（col（“id”））over windowing.show
+---+---+---+                                                                   
|id |键|和|
+---+---+---+
|  0|  0|  6|
|  2|  0|  6|
|  4|  0|  6|
|  1|  1|  9|
|  3|  1|  9|
|  5|  1|  9|
+---+---+---+

案例2：分组

dataframe.groupBy（“key”）.agg（sum（'id））.show
+---+-------+
|密钥|和（id）|
+---+-------+
|  0|      6|
|  1|      9|
+---+-------+

正如@Oli提到的，聚合函数可以在窗口（第一种情况）内使用，也可以与分组（第二种情况）一起使用。就性能而言，“分组聚合函数”将比“窗口聚合函数”快得多。我们可以通过分析物理计划来可视化这一点

df.groupBy("id").agg(sum($"expense").alias("total_expense")).explain()
df.show
+---+----------+                                                                   
|  id|  expense|
+---+----------+
|   1|      100|
|   2|      300|
|   1|      100|
|   3|      200|
+---+----------+

1-带窗口的聚合：

df.withColumn("total_expense", sum(col("expense")) over window).show
+---+----------+-------------------+                                                     
| id|   expense|      total_expense|
+---+----------+-------------------+
|  3|       200|                200|
|  1|       100|                200|
|  1|       100|                200|
|  2|       300|                300|
+---+----------+-------------------+

df.withColumn("total_expense", sum(col("expense")) over window).explain
== Physical Plan ==
Window [sum(cast(expense#9 as bigint)) windowspecdefinition(id#8, specifiedwindowframe(RowFrame, unboundedpreceding$(), unboundedfollowing$())) AS total_expense#265L], [id#8]
+- *(2) Sort [id#8 ASC NULLS FIRST], false, 0
   +- Exchange hashpartitioning(id#8, 200), true, [id=#144]
      +- *(1) Project [_1#3 AS id#8, _2#4 AS expense#9]
         +- *(1) SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, knownnotnull(assertnotnull(input[0, scala.Tuple2, true]))._1, true, false) AS _1#3, knownnotnull(assertnotnull(input[0, scala.Tuple2, true]))._2 AS _2#4]
            +- Scan[obj#2]

2-与GroupBy的聚合：

df.groupBy("id").agg(sum($"expense").alias("total_expense")).show
+---+------------------+                                                             
| id|     total_expense|
+---+------------------+
|  3|               200|
|  1|               200|
|  2|               300|
+---+------------------+

df.groupBy("id").agg(sum($"expense").alias("total_expense")).explain()
    == Physical Plan ==
    *(2) HashAggregate(keys=[id#8], functions=[sum(cast(expense#9 as bigint))])
    +- Exchange hashpartitioning(id#8, 200), true, [id=#44]
       +- *(1) HashAggregate(keys=[id#8], functions=[partial_sum(cast(expense#9 as bigint))])
          +- *(1) Project [_1#3 AS id#8, _2#4 AS expense#9]
             +- *(1) SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, knownnotnull(assertnotnull(input[0, scala.Tuple2, true]))._1, true, false) AS _1#3, knownnotnull(assertnotnull(input[0, scala.Tuple2, true]))._2 AS _2#4]
                +- Scan[obj#2]

根据执行计划，我们可以看到，在windows情况下，有一个总洗牌和一个排序，而在groupby情况下，有一个减少的洗牌（在局部聚合部分和之后洗牌）