Scala Spark DataFrame/Dataset为每种键高效方式找到最常见的值
问题: 我在映射spark中一个键的最常见值时遇到了一个问题(使用scala)。我已经用RDD完成了,但不知道如何有效地使用DF/DS(sparksql) 数据集类似于Scala Spark DataFrame/Dataset为每种键高效方式找到最常见的值,scala,apache-spark,apache-spark-sql,apache-spark-dataset,Scala,Apache Spark,Apache Spark Sql,Apache Spark Dataset,问题: 我在映射spark中一个键的最常见值时遇到了一个问题(使用scala)。我已经用RDD完成了,但不知道如何有效地使用DF/DS(sparksql) 数据集类似于 key1 = value_a key1 = value_b key1 = value_b key2 = value_a key2 = value_c key2 = value_c key3 = value_a 火花转换和访问后,输出的每个键应具有其公共值 输出 key1 = valueb key2 = valuec key3
key1 = value_a
key1 = value_b
key1 = value_b
key2 = value_a
key2 = value_c
key2 = value_c
key3 = value_a
火花转换和访问后,输出的每个键应具有其公共值
输出
key1 = valueb
key2 = valuec
key3 = valuea
一直尝试到现在:
RDD
我曾尝试在RDD中按(键、值)组映射和减少,计数,它产生了逻辑,但我无法将其转换为sparksql(数据帧/数据集)(因为我希望在网络上进行最小的随机移动)
这是我的RDD代码
val data = List(
"key1,value_a",
"key1,value_b",
"key1,value_b",
"key2,value_a",
"key2,value_c",
"key2,value_c",
"key3,value_a"
)
val sparkConf = new SparkConf().setMaster("local").setAppName("example")
val sc = new SparkContext(sparkConf)
val lineRDD = sc.parallelize(data)
val pairedRDD = lineRDD.map { line =>
val fields = line.split(",")
(fields(0), fields(2))
}
val flatPairsRDD = pairedRDD.flatMap {
(key, val) => ((key, val), 1)
}
val SumRDD = flatPairsRDD.reduceByKey((a, b) => a + b)
val resultsRDD = SumRDD.map{
case ((key, val), count) => (key, (val,count))
}.groupByKey.map{
case (key, valList) => (name, valList.toList.sortBy(_._2).reverse.head)
}
resultsRDD.collect().foreach(println)
数据帧,使用窗口:我正在尝试使用窗口。partitionBy(“key”,“value”)
来聚合窗口上的计数。和thn排序
和agg()
分别根据我从你的问题中了解的情况,这里是你能做的
首先,您必须读取数据并将其转换为dataframe
val df = sc.textFile("path to the data file") //reading file line by line
.map(line => line.split("=")) // splitting each line by =
.map(array => (array(0).trim, array(1).trim)) //tuple2(key, value) created
.toDF("key", "value") //rdd converted to dataframe which required import sqlContext.implicits._
那是什么
+----+-------+
|key |value |
+----+-------+
|key1|value_a|
|key1|value_b|
|key1|value_b|
|key2|value_a|
|key2|value_c|
|key2|value_c|
|key3|value_a|
+----+-------+
下一步是计算每个键相同值的重复次数,并选择每个键重复次数最多的值,可使用窗口
功能和聚合
,如下所示
import org.apache.spark.sql.expressions._ //import Window library
def windowSpec = Window.partitionBy("key", "value") //defining a window frame for the aggregation
import org.apache.spark.sql.functions._ //importing inbuilt functions
df.withColumn("count", count("value").over(windowSpec)) // counting repeatition of value for each group of key, value and assigning that value to new column called as count
.orderBy($"count".desc) // order dataframe with count in descending order
.groupBy("key") // group by key
.agg(first("value").as("value")) //taking the first row of each key with count column as the highest
因此,最终输出应等于
+----+-------+
|key |value |
+----+-------+
|key3|value_a|
|key1|value_b|
|key2|value_c|
+----+-------+
使用groupBy
怎么样
val maxFreq= udf((values: List[Int]) => {
values.groupBy(identity).mapValues(_.size).maxBy(_._2)._1
})
df.groupBy("key")
.agg(collect_list("value") as "valueList")
.withColumn("mostFrequentValue", maxFreq(col("valueList")))
在按键分组、带计数的值、按计数排序并获得排名第一的行之后,需要使用窗口函数。你可以查看这个@eliasah谢谢,寻找它的错误链接!我已经更新了。我在打电话,所以我不能写一封信answer@eliasah没问题,请在您有可能的时候写感谢您的回答,我会尽可能地测试简短的指令。@RameshMaharjan谢谢您的回答。对于使用groupBy
与Window
函数相比的性能差异,您有何看法?