Scala 如何在Spark SQL中对两列进行聚合

现在，我有了一个包含以下任务的表：

按部门ID和员工ID上的函数分组

在每个组中，我需要按（ArrivalDate、ArrivalTime）订购并选择第一个。因此，如果两个日期不同，请选择较新的日期。如果两个日期相同，请选择较新的时间 我正在尝试这种方法：

input.select("DepartmenId","EmolyeeID", "ArrivalDate", "ArrivalTime", "Word")
  .agg(here will be the function that handles logic from 2)
  .show()

这里要聚合的语法是什么

先谢谢你

//+-----------+---------+-----------+-----------+--------+
//|出发|情绪化|到达日期|到达时间|单词|
// +-----------+---------+-----------+-----------+--------+
//| D1 | E1 | 20170101 | 0730 |“是”|
// +-----------+---------+-----------+-----------+--------+
//| D1 | E1 | 20170102 | 1530 |“否”|
// +-----------+---------+-----------+-----------+--------+
//| D1 | E2 | 20170101 | 0730 |“动物园”|
// +-----------+---------+-----------+-----------+--------+
//| D1 | E2 | 20170102 | 0330 |“BOO”|
// +-----------+---------+-----------+-----------+--------+
//| D2 | E1 | 20170101 | 0730 |“LOL”|
// +-----------+---------+-----------+-----------+--------+
//| D2 | E1 | 20170101 | 1830 |“附件”|
// +-----------+---------+-----------+-----------+--------+
//| D2 | E2 | 20170105 | 1430 |“统一”|
// +-----------+---------+-----------+-----------+--------+
//输出应该是
// +-----------+---------+-----------+-----------+--------+
//|出发|情绪化|到达日期|到达时间|单词|
// +-----------+---------+-----------+-----------+--------+
//| D1 | E1 | 20170102 | 1530 |“否”|
// +-----------+---------+-----------+-----------+--------+
//| D1 | E2 | 20170102 | 0330 |“BOO”|
// +-----------+---------+-----------+-----------+--------+
//| D2 | E1 | 20170101 | 1830 |“附件”|
// +-----------+---------+-----------+-----------+--------+
//| D2 | E2 | 20170105 | 1430 |“统一”|
//+----------------+----------------+------+-----------+-----------+

您可以在包含所有非分组列的新结构列上使用

max

，首先使用

ArrivalData

，其次使用

ArrivalTime

：新列的排序将符合您的要求（首先是最晚的日期；首先是相似日期中的最晚时间）因此，获得最大值将产生您所追求的记录

然后，可以使用

select

操作将结构“拆分”回单独的列

import spark.implicits._
import org.apache.spark.sql.functions._

df.groupBy($"DepartmentID", $"EmployeeID")
  .agg(max(struct("ArrivalDate", "ArrivalTime", "Word")) as "struct")
  .select($"DepartmentID", $"EmployeeID",
    $"struct.ArrivalDate" as "ArrivalDate",
    $"struct.ArrivalTime" as "ArrivalTime",
    $"struct.Word" as "Word"
  )

---

您可以在包含所有非分组列的新结构列上使用

max

，首先是

ArrivalData

，其次是

ArrivalTime

：新列的排序将符合您的要求（最晚日期优先；类似日期中的最晚时间优先）因此，获得最大值将产生您想要的记录

然后，可以使用

select

操作将结构“拆分”回单独的列

import spark.implicits._
import org.apache.spark.sql.functions._

df.groupBy($"DepartmentID", $"EmployeeID")
  .agg(max(struct("ArrivalDate", "ArrivalTime", "Word")) as "struct")
  .select($"DepartmentID", $"EmployeeID",
    $"struct.ArrivalDate" as "ArrivalDate",
    $"struct.ArrivalTime" as "ArrivalTime",
    $"struct.Word" as "Word"
  )

---

一种方法是使用火花窗功能：

val df = Seq(
  ("D1", "E1", "20170101", "0730", "YES"),
  ("D1", "E1", "20170102", "1530", "NO"),
  ("D1", "E2", "20170101", "0730", "ZOO"),
  ("D1", "E2", "20170102", "0330", "BOO"),
  ("D2", "E1", "20170101", "0730", "LOL"),
  ("D2", "E1", "20170101", "1830", "ATT"),
  ("D2", "E2", "20170105", "1430", "UNI")
).toDF(
  "DepartmenId", "EmolyeeID", "ArrivalDate", "ArrivalTime", "Word"
)

import org.apache.spark.sql.expressions.Window

val df2 = df.withColumn("rowNum", row_number().over(
    Window.partitionBy("DepartmenId", "EmolyeeID").
      orderBy($"ArrivalDate".desc, $"ArrivalTime".desc)
  )).
  select("DepartmenId", "EmolyeeID", "ArrivalDate", "ArrivalTime","Word").
  where($"rowNum" === 1).
  orderBy("DepartmenId", "EmolyeeID")

df2.show
+-----------+---------+-----------+-----------+----+
|DepartmenId|EmolyeeID|ArrivalDate|ArrivalTime|Word|
+-----------+---------+-----------+-----------+----+
|         D1|       E1|   20170102|       1530|  NO|
|         D1|       E2|   20170102|       0330| BOO|
|         D2|       E1|   20170101|       1830| ATT|
|         D2|       E2|   20170105|       1430| UNI|
+-----------+---------+-----------+-----------+----+

---

一种方法是使用火花窗功能：

val df = Seq(
  ("D1", "E1", "20170101", "0730", "YES"),
  ("D1", "E1", "20170102", "1530", "NO"),
  ("D1", "E2", "20170101", "0730", "ZOO"),
  ("D1", "E2", "20170102", "0330", "BOO"),
  ("D2", "E1", "20170101", "0730", "LOL"),
  ("D2", "E1", "20170101", "1830", "ATT"),
  ("D2", "E2", "20170105", "1430", "UNI")
).toDF(
  "DepartmenId", "EmolyeeID", "ArrivalDate", "ArrivalTime", "Word"
)

import org.apache.spark.sql.expressions.Window

val df2 = df.withColumn("rowNum", row_number().over(
    Window.partitionBy("DepartmenId", "EmolyeeID").
      orderBy($"ArrivalDate".desc, $"ArrivalTime".desc)
  )).
  select("DepartmenId", "EmolyeeID", "ArrivalDate", "ArrivalTime","Word").
  where($"rowNum" === 1).
  orderBy("DepartmenId", "EmolyeeID")

df2.show
+-----------+---------+-----------+-----------+----+
|DepartmenId|EmolyeeID|ArrivalDate|ArrivalTime|Word|
+-----------+---------+-----------+-----------+----+
|         D1|       E1|   20170102|       1530|  NO|
|         D1|       E2|   20170102|       0330| BOO|
|         D2|       E1|   20170101|       1830| ATT|
|         D2|       E2|   20170105|       1430| UNI|
+-----------+---------+-----------+-----------+----+

---

这是可行的！但是有没有一种方法可以避免在struct（）中出现“Word”？因为在我的真实示例中，“Word”不止一列。因此，图像中有“Word1”、“Word2”、“Word3”…，有没有一种方法可以让我只在.select语句中添加这些词？只有在“组合”时，这种方法才有效将您感兴趣的所有列合并到一个结构中-否则，仅对某些列使用

max

将无法为其他列获取正确的值。如果您有许多这样的列，您可以尝试@leo-c建议的替代窗口方法，或者对

df.columns

使用一些筛选来动态生成结构中包含的列的列表，这样您就不必显式地列出它们。这是可行的！但是有什么方法可以避免在结构（）中包含“Word”？因为在我的真实示例中，“Word”不止一列。所以图像中有“Word1”、“Word2”、“Word3”…，是否有一种方法可以将这些单词添加到.select语句中？只有在“组合”时，这种方法才有效将您感兴趣的所有列合并到一个结构中-否则，仅对某些列使用

max

将无法为其他列获取正确的值。如果您有许多这样的列，您可以尝试@leo-c建议的替代窗口方法，或者对

df.columns

使用一些筛选来动态生成结构中包含的列列表，这样您就不必显式地列出它们。谢谢！使用Window.Partition比使用GroupBy好吗？我想知道在速度和性能上是否有折衷performance@vincwng，我没有对窗口函数与groupBy进行任何基准测试，但我发现窗口函数在降低必要的嵌套查询（例如自联接）在这种情况下，他们会提供更好的性能。谢谢！使用Window.Partition比使用GroupBy好吗？我想知道在速度和性能上是否有折衷performance@vincwng，我没有对窗口函数与groupBy进行任何基准测试，但我发现窗口函数在降低必要的嵌套查询级别方面通常很有用（例如，自联接）在这种情况下，它们将提供更好的性能。