Apache spark 基于两列值对Spark数据集排序的有效方法是什么?
我有一个三列的大型数据集,格式如下:Apache spark 基于两列值对Spark数据集排序的有效方法是什么?,apache-spark,apache-spark-sql,spark-dataframe,apache-spark-dataset,Apache Spark,Apache Spark Sql,Spark Dataframe,Apache Spark Dataset,我有一个三列的大型数据集,格式如下: col1 col2 col3 ------------------ a1 1 i1 a1 1 i2 a1 2 i3 a3 2 i4 a3 1 i5 a2 3 i6 a2 3 i7 a2 1 i8 我写了以下内容: val datase2 = dataset.groupBy("col1"
col1 col2 col3
------------------
a1 1 i1
a1 1 i2
a1 2 i3
a3 2 i4
a3 1 i5
a2 3 i6
a2 3 i7
a2 1 i8
我写了以下内容:
val datase2 = dataset.groupBy("col1","col2").agg(collect_list("col3").as("col3"))
.sort("col1", "col2")
.groupBy("col1").agg(collect_list("col2"), collect_list("col3"))
.toDF("col1", "col2", "col3").as[(String, Array[String], Array[String])]
dataset2.select("col3").distinct().show()
为了从结果数据集中获取col2
的不同值,我编写了以下代码:
val datase2 = dataset.groupBy("col1","col2").agg(collect_list("col3").as("col3"))
.sort("col1", "col2")
.groupBy("col1").agg(collect_list("col2"), collect_list("col3"))
.toDF("col1", "col2", "col3").as[(String, Array[String], Array[String])]
dataset2.select("col3").distinct().show()
上面的代码适用于小数据集,但对于大数据集,我得到了以下类型的结果(只是为了说明不一致的结果数据集的场景):
正如我所做的那样,输出应该是
col1 col2 col3
-----------------------------------
a1 [1, 2] [[i1, i2], [i3]]
a2 [1, 3] [[i8], [i6, i7]]
a3 [1, 2] [[i5], [i4]]
col2
将按顺序排序,col2
和col3
的值将根据其数组索引保持一致。例如,上面数据集的最后一行是
col2 col3
-------------------------
[1, 2] [[i5], [i4]]
但不是
col2 col3
-------------------------
[1, 2] [[i4], [i5]]
如何实现我的目标?使用
struct
组合记录并使用sort\u array
:
dataset
.groupBy($"col1")
.agg(sort_array(collect_list(struct($"col2", $"col3"))).alias("data"))
.select($"col1", $"data.col2", $"data.col3")
学分为。从您的答案中得到了一个想法。谢谢