Scala中的Spark分组映射自定义项

我正在尝试编写一些代码，使我能够对数据帧的一组行计算一些操作。在PySpark中，这可以通过定义类型为GROUPED_MAP的UDF来实现。然而，在Scala中，我只找到了创建自定义聚合器（UDAFs）或经典UDF的方法

我的临时解决方案是生成一个密钥列表，对我的组进行编码，这将允许我过滤数据帧并对数据帧的每个子集执行操作。然而，这种方法不是最优的，而且速度很慢。 执行的操作是按顺序进行的，因此需要大量时间。我可以并行化这个循环，但我确信这会显示出任何改进，因为Spark已经被分发了

有没有更好的方法来做我想做的事

---

编辑：尝试使用Futures进行并行化，但没有任何速度提升，就我所知，这在Scala中是不可能的。根据需要，我认为还有其他方法可以将转换应用于Spark/Scala中的一组行：

执行

groupBy（…）.agg（collect_list（））

，并使用对值数组进行操作的UDF。如果需要，可以将select语句与

explode（）

一起使用，以还原为原始格式

尝试使用窗口函数重写您想要实现的内容。可以使用聚合表达式添加新列，如下所示：

import org.apache.spark.sql.expressions.Window
val w = Window.partitionBy('group)

val result = spark.range(100)
    .withColumn("group", pmod('id, lit(3)))
    .withColumn("group_sum", sum('id).over(w))