迭代Spark数据集的行并在JavaAPI中应用操作
新加入Spark 2.4.x,使用JavaAPI而不是Scala 我有一个从CSV文件中读取的数据集。它有一个名为列的模式,如下所示:迭代Spark数据集的行并在JavaAPI中应用操作,java,apache-spark,apache-spark-dataset,Java,Apache Spark,Apache Spark Dataset,新加入Spark 2.4.x,使用JavaAPI而不是Scala 我有一个从CSV文件中读取的数据集。它有一个名为列的模式,如下所示: id (integer) | name (string) | color (string) | price (double) | enabled (boolean) 示例行: 23 | "hotmeatballsoup" | "blue" | 3.95 | true 数据集中有成千上万行。我想使用适当的Java/Spark API编写一个表达
id (integer) | name (string) | color (string) | price (double) | enabled (boolean)
示例行:
23 | "hotmeatballsoup" | "blue" | 3.95 | true
数据集中有成千上万行。我想使用适当的Java/Spark API编写一个表达式,滚动每一行,并对每一行应用以下两个操作:
如果价格为空,则默认为0.00;然后
如果颜色列值为红色,则在价格中添加2.55
因为我对Spark如此陌生,我甚至不知道从哪里开始!到目前为止,我最好的尝试肯定是错误的,但我想这至少是一个起点:
Dataset csvData = sparkSession.read()
.format("csv")
.load(fileToLoad.getAbsolutePath());
// ??? get rows somehow
Seq<Seq<String>> csvRows = csvData.getRows(???, ???);
// now how to loop through rows???
for (Seq<String> row : csvRows) {
// how apply two operations specified above???
if (row["price"] == null) {
row["price"] = 0.00;
}
if (row["color"].equals("red")) {
row["price"] = row["price"] + 2.55;
}
}
有人能帮我朝正确的方向走吗?你可以使用spark sql api来实现它。还可以使用DataFrameNaFunctions中的.fill将空值替换为值。否则,您可以将Dataframe转换为Dataset,并在.map中执行这些步骤,但在这种情况下,sql api更好、更高效
+---+---------------+-----+-----+-------+
| id| name|color|price|enabled|
+---+---------------+-----+-----+-------+
| 23|hotmeatballsoup| blue| 3.95| true|
| 24| abc| red| 1.0| true|
| 24| abc| red| null| true|
+---+---------------+-----+-----+-------+
在类声明之前导入sql函数:
import static org.apache.spark.sql.functions.*;
sql api:
df.select(
col("id"), col("name"), col("color"),
when(col("color").equalTo("red").and(col("price").isNotNull()), col("price").plus(2.55))
.when(col("color").equalTo("red").and(col("price").isNull()), 2.55)
.otherwise(col("price")).as("price")
,col("enabled")
).show();
或使用临时视图和sql查询:
df.createOrReplaceTempView("df");
spark.sql("select id,name,color, case when color = 'red' and price is not null then (price + 2.55) when color = 'red' and price is null then 2.55 else price end as price, enabled from df").show();
输出:
+---+---------------+-----+-----+-------+
| id| name|color|price|enabled|
+---+---------------+-----+-----+-------+
| 23|hotmeatballsoup| blue| 3.95| true|
| 24| abc| red| 3.55| true|
| 24| abc| red| 2.55| true|
+---+---------------+-----+-----+-------+