Apache spark 按最新时间戳重复Spark数据帧中的行
我有一个具有以下模式的数据帧:Apache spark 按最新时间戳重复Spark数据帧中的行,apache-spark,duplicates,apache-spark-sql,inner-join,Apache Spark,Duplicates,Apache Spark Sql,Inner Join,我有一个具有以下模式的数据帧: root |- documentId |- timestamp |- anotherField 比如说, "d1", "2018-09-20 10:00:00", "blah1" "d2", "2018-09-20 09:00:00", "blah2" "d1", "2018-09-20 10:01:00", "blahnew" 注意,为了理解和方便起见,我将时间戳显示为字符串。事实上,这是一个很长的时间段,表示从新纪元开始的毫秒数 如图所示,第1行和第3行重
root
|- documentId
|- timestamp
|- anotherField
比如说,
"d1", "2018-09-20 10:00:00", "blah1"
"d2", "2018-09-20 09:00:00", "blah2"
"d1", "2018-09-20 10:01:00", "blahnew"
注意,为了理解和方便起见,我将时间戳显示为字符串。事实上,这是一个很长的时间段,表示从新纪元开始的毫秒数
如图所示,第1行和第3行重复,具有相同的documentId,但时间戳不同,其他字段也可能不同。我希望对每个documentId重复并仅保留基于时间戳的最新行
一个简单的df.groupBydocumentId.aggmaxtimestamp。。。在这里似乎不太可能工作,因为我不知道如何在与满足maxtimestamp的字段对应的行中保留其他字段
所以,我想出了一个复杂的方法
// first find the max timestamp corresponding to each documentId
val mostRecent = df
.select("documentId", "timestamp")
.groupBy("documentId")
.agg(max("timestamp"))
// now join with the original df on timestamp to retain
val dedupedDf = df.join(mostRecent, Seq("documentId", "timestamp"), "inner")
由此产生的重复数据DF应该只有与每个documentId的最新条目对应的行
虽然这样做有效,但我觉得这不是正确或有效的方法,因为我使用的是一个似乎不必要的连接
我怎样才能做得更好?我正在寻找基于纯数据帧的解决方案,而不是基于RDD的方法,因为DataBricks的员工在研讨会上反复告诉我们使用数据帧而不是RDD。请参见下面的代码帮助您实现目标
val df = Seq(
("d1", "2018-09-20 10:00:00", "blah1"),
("d2", "2018-09-20 09:00:00", "blah2"),
("d1", "2018-09-20 10:01:00", "blahnew")
).toDF("documentId","timestamp","anotherField")
import org.apache.spark.sql.functions.row_number
import org.apache.spark.sql.expressions.Window
val w = Window.partitionBy($"documentId").orderBy($"timestamp".desc)
val Resultdf = df.withColumn("rownum", row_number.over(w))
.where($"rownum" === 1).drop("rownum")
Resultdf.show()
输入:
+----------+-------------------+------------+
|documentId| timestamp|anotherField|
+----------+-------------------+------------+
| d1|2018-09-20 10:00:00| blah1|
| d2|2018-09-20 09:00:00| blah2|
| d1|2018-09-20 10:01:00| blahnew|
+----------+-------------------+------------+
输出:
+----------+-------------------+------------+
|documentId| timestamp|anotherField|
+----------+-------------------+------------+
| d2|2018-09-20 09:00:00| blah2|
| d1|2018-09-20 10:01:00| blahnew|
+----------+-------------------+------------+
请参阅下面的代码以帮助您实现目标
val df = Seq(
("d1", "2018-09-20 10:00:00", "blah1"),
("d2", "2018-09-20 09:00:00", "blah2"),
("d1", "2018-09-20 10:01:00", "blahnew")
).toDF("documentId","timestamp","anotherField")
import org.apache.spark.sql.functions.row_number
import org.apache.spark.sql.expressions.Window
val w = Window.partitionBy($"documentId").orderBy($"timestamp".desc)
val Resultdf = df.withColumn("rownum", row_number.over(w))
.where($"rownum" === 1).drop("rownum")
Resultdf.show()
输入:
+----------+-------------------+------------+
|documentId| timestamp|anotherField|
+----------+-------------------+------------+
| d1|2018-09-20 10:00:00| blah1|
| d2|2018-09-20 09:00:00| blah2|
| d1|2018-09-20 10:01:00| blahnew|
+----------+-------------------+------------+
输出:
+----------+-------------------+------------+
|documentId| timestamp|anotherField|
+----------+-------------------+------------+
| d2|2018-09-20 09:00:00| blah2|
| d1|2018-09-20 10:01:00| blahnew|
+----------+-------------------+------------+
您没有使用正常意义上的重复行。请用足够的单词和句子清楚地说出你的意思。这里显然有多行具有相同的subrow值。您没有使用正常意义上的重复行。请用足够的单词和句子清楚地说出你的意思。这里显然有多行具有相同的子程序值。这是实现结果的最有效方法吗?这是实现结果的最有效方法吗?