Apache spark 在Spark数据帧中查找每组的最大行数
我尝试使用Spark数据帧而不是RDD,因为它们看起来比RDD更高级,并且倾向于生成更可读的代码 在一个14节点的GoogleDataProc集群中,我有大约600万个名字被两个不同的系统翻译成ID:Apache spark 在Spark数据帧中查找每组的最大行数,apache-spark,pyspark,apache-spark-sql,Apache Spark,Pyspark,Apache Spark Sql,我尝试使用Spark数据帧而不是RDD,因为它们看起来比RDD更高级,并且倾向于生成更可读的代码 在一个14节点的GoogleDataProc集群中,我有大约600万个名字被两个不同的系统翻译成ID:sa和sb。每个行包含名称、id\u sa和id\u sb。我的目标是生成从id\u sa到id\u sb的映射,这样对于每个id\u sa,相应的id\u sb是附加到id\u sa的所有名称中最常见的id 让我们试着用一个例子来说明。如果我有以下行: [Row(name='n1', id_sa=
sa
和sb
。每个行
包含名称
、id\u sa
和id\u sb
。我的目标是生成从id\u sa
到id\u sb
的映射,这样对于每个id\u sa
,相应的id\u sb
是附加到id\u sa
的所有名称中最常见的id
让我们试着用一个例子来说明。如果我有以下行:
[Row(name='n1', id_sa='a1', id_sb='b1'),
Row(name='n2', id_sa='a1', id_sb='b2'),
Row(name='n3', id_sa='a1', id_sb='b2'),
Row(name='n4', id_sa='a2', id_sb='b2')]
[Row(id_sa=a1, max_id_sb=b2),
Row(id_sa=a2, max_id_sb=b2)]
我的目标是生成从a1
到b2
的映射。实际上,与a1
相关联的名称是n1
、n2
和n3
,它们分别映射到b1
、b2
和b2
,因此b2
是与a1
相关联的名称中最常见的映射。同样,a2
将映射到b2
。可以假设总会有一个赢家:不必打破僵局
我希望能在我的数据帧上使用groupBy(df.id_sa)
,但我不知道下一步该怎么做。我希望聚合最终能够产生以下行:
[Row(name='n1', id_sa='a1', id_sb='b1'),
Row(name='n2', id_sa='a1', id_sb='b2'),
Row(name='n3', id_sa='a1', id_sb='b2'),
Row(name='n4', id_sa='a2', id_sb='b2')]
[Row(id_sa=a1, max_id_sb=b2),
Row(id_sa=a2, max_id_sb=b2)]
但也许我尝试使用了错误的工具,我应该回到使用RDD。使用join
(这将导致在组中出现多行,以防出现结):
使用窗口功能(将断开连接):
使用struct
排序:
from pyspark.sql.functions import struct
(cnts
.groupBy("id_sa")
.agg(F.max(struct(col("cnt"), col("id_sb"))).alias("max"))
.select(col("id_sa"), col("max.id_sb")))
另请参见我认为您可能需要的是窗口功能: 下面是Scala中的一个示例(我现在没有带配置单元的Spark Shell,所以我无法测试代码,但我认为它应该可以工作): 使用窗口函数可能有更有效的方法来实现相同的结果,但我希望这为您指明了正确的方向
case class MyRow(name: String, id_sa: String, id_sb: String)
val myDF = sc.parallelize(Array(
MyRow("n1", "a1", "b1"),
MyRow("n2", "a1", "b2"),
MyRow("n3", "a1", "b2"),
MyRow("n1", "a2", "b2")
)).toDF("name", "id_sa", "id_sb")
import org.apache.spark.sql.expressions.Window
val windowSpec = Window.partitionBy(myDF("id_sa")).orderBy(myDF("id_sb").desc)
myDF.withColumn("max_id_b", first(myDF("id_sb")).over(windowSpec).as("max_id_sb")).filter("id_sb = max_id_sb")