R 如何在斯巴克按小时分组?
我尝试使用SparkR和Spark 2.1.0按时间总结一些日期。 我的数据如下所示:R 如何在斯巴克按小时分组?,r,apache-spark,sparkr,R,Apache Spark,Sparkr,我尝试使用SparkR和Spark 2.1.0按时间总结一些日期。 我的数据如下所示: created_at 1 Sun Jul 31 22:25:01 +0000 2016 2 Sun Jul 31 22:25:01 +0000 2016 3 Fri Jun 03 10:16:57 +0000 2016 4 Mon May 30 19:23:55 +0000 2016 5 Sat Jun 11 21:00:07 +0000 2016 6
created_at
1 Sun Jul 31 22:25:01 +0000 2016
2 Sun Jul 31 22:25:01 +0000 2016
3 Fri Jun 03 10:16:57 +0000 2016
4 Mon May 30 19:23:55 +0000 2016
5 Sat Jun 11 21:00:07 +0000 2016
6 Tue Jul 12 16:31:46 +0000 2016
7 Sun May 29 19:12:26 +0000 2016
8 Sat Aug 06 11:04:29 +0000 2016
9 Sat Aug 06 11:04:29 +0000 2016
10 Sat Aug 06 11:04:29 +0000 2016
我希望输出是:
Hour Count
22 2
10 1
19 1
11 3
....
我试过:
sumdf <- summarize(groupBy(df, df$created_at), count = n(df$created_at))
head(select(sumdf, "created_at", "count"),10)
sumdf <- summarize(groupBy(df, hr=hour(df$created_at)), count = n(hour(df$created_at)))
head(select(sumdf, "hour(created_at)", "count"),20)
sumdf <- summarize(groupBy(df, df$created_at), count = n(hour(df$created_at)))
head(select(sumdf, "created_at", "count"),10)
我试过:
sumdf <- summarize(groupBy(df, df$created_at), count = n(df$created_at))
head(select(sumdf, "created_at", "count"),10)
sumdf <- summarize(groupBy(df, hr=hour(df$created_at)), count = n(hour(df$created_at)))
head(select(sumdf, "hour(created_at)", "count"),20)
sumdf <- summarize(groupBy(df, df$created_at), count = n(hour(df$created_at)))
head(select(sumdf, "created_at", "count"),10)
我试过:
sumdf <- summarize(groupBy(df, df$created_at), count = n(df$created_at))
head(select(sumdf, "created_at", "count"),10)
sumdf <- summarize(groupBy(df, hr=hour(df$created_at)), count = n(hour(df$created_at)))
head(select(sumdf, "hour(created_at)", "count"),20)
sumdf <- summarize(groupBy(df, df$created_at), count = n(hour(df$created_at)))
head(select(sumdf, "created_at", "count"),10)
我如何使用hour函数来实现这一点,或者有更好的方法吗?这是SCALA代码,我想您可以参考它
var index = ss.sparkContext.parallelize( Seq(
(1,"Sun Jul 31 22:25:01 +0000 2016"),
(2,"Sun Jul 31 22:25:01 +0000 2016"),
(3,"Fri Jun 03 10:16:57 +0000 2016"),
(4,"Mon May 30 19:23:55 +0000 2016"),
(5,"Sat Jun 11 21:00:07 +0000 2016"),
(6,"Tue Jul 12 16:31:46 +0000 2016"),
(7,"Sun May 29 19:12:26 +0000 2016"),
(8,"Sat Aug 06 11:04:29 +0000 2016"),
(9,"Sat Aug 06 11:04:29 +0000 2016"),
(10,"Sat Aug 06 11:04:29 +0000 2016"))
).toDF("ID", "time")
val getHour = udf( (s : String) => {
s.substring( 11, 13)
})
index.withColumn("hour", getHour($"time")).groupBy( "hour").agg( count("*").as("count")).show
假设本地表是
df
,这里真正的问题是从列中提取创建的小时数,然后使用分组代码。为此,您可以使用dapply
:
library(SparkR)
sc1 <- sparkR.session()
df2 <- createDataFrame(df)
#with dapply you need to specify the schema i.e. the data.frame that will come out
#of the applied function - i.e. substringDF in our case
schema <- structType(structField('created_at', 'string'), structField('time', 'string'))
#a function that will be applied to each partition of the spark data frame.
#remember that each partition is a data.frame itself.
substringDF <- function(DF) {
DF$time <- substr(DF$created_at, 15, 16)
DF
}
#and then we use the above in dapply
df3 <- dapply(df2, substringDF, schema)
head(df3)
# created_at time
#1 1 Sun Jul 31 22:25:01 +0000 2016 22
#2 2 Sun Jul 31 22:25:01 +0000 2016 22
#3 3 Fri Jun 03 10:16:57 +0000 2016 10
#4 4 Mon May 30 19:23:55 +0000 2016 19
#5 5 Sat Jun 11 21:00:07 +0000 2016 21
#6 6 Tue Jul 12 16:31:46 +0000 2016 16
库(SparkR)
sc1我将使用到时间戳(Spark 2.2)或unix\u时间戳%>%cast(“时间戳”)
(早期版本)解析日期,并访问小时:
df <- createDataFrame(data.frame(created_at="Sat Aug 19 12:33:26 +0000 2017"))
head(count(group_by(df,
alias(hour(to_timestamp(column("created_at"), "EEE MMM d HH:mm:ss Z yyyy")), "hour")
)))
## hour count
## 1 14 1
df您应该尝试将在
列中创建的拆分为小时
值,然后在小时
列中使用groupBy。这是离题的,甚至对于Scala来说也是不好的做法。我相信这篇文章是关于sparkRYes的,所以我说“这是SCALA代码,我想你可以参考一下。”这仍然是糟糕的代码@Robin。人们应该接受批评。我记得我没有侮辱你。我没有投你的反对票,其他人也可以。我不懂斯巴克,我懂一点斯卡拉。所以我把我的想法放在这里,希望能给asker一些启发。这不是问题所在。但是,如果您想回顾一下Scala代码,这里就是:将日期视为字符串是不好的做法。如果格式发生变化,您应该使用日期库和解析器。谢谢。我在使用1.6.3时做了一些更改:df%cast(“timestamp”),“hour”))知道如何克服:as.POSIXlt.default(x,tz=tz(x))中的错误:不知道如何将“x”转换为类“POSIXlt”?谢谢。我应该提到我使用的是Spark 1.6.3,我认为dapply不适用于此。我决定使用Spark2并尝试一下您的解决方案。df已经是spark数据帧了。因此,我使用您的代码减去forst 3行,并将df2更改为df,将df3更改为df2。head(df3)
给出:ERROR Executor:task 0.0中的异常在10.0阶段(TID 12)java.lang.arrayindexoutofbounds异常:2在org.apache.spark.sql.api.r.SQLUti
有什么想法吗?如果你把我的df3
改为df2
你应该使用head(df2)
对吗?此外,请尝试使用我的代码,看看它是否有效(即,将您的spark data.frame df2命名)。我在一个独立版本和一个纱线版本上都试过了,它们都很好用。您确定Spark 2已正确安装和配置吗?是head(df2)
。我觉得Spark2还可以,已经用了一段时间了。这很有效:head(substringDF(df))
。我将尝试重新启动Spark2。因此,这可能是模式的一种情况。您需要告诉dapply
sparkdata.frame的结构是什么,即它需要知道列名和列的数据类型(例如,在上述情况下,列名time
作为string
)。确保您已正确设置了这些。