Scala Spark Bucketizer-即使没有任何元素,也显示所有铲斗
我有一个如下所示的事件列表 从spark数据帧生成。我将Spark 2.2.0与Scala一起使用Scala Spark Bucketizer-即使没有任何元素,也显示所有铲斗,scala,apache-spark,spark-dataframe,buckets,Scala,Apache Spark,Spark Dataframe,Buckets,我有一个如下所示的事件列表 从spark数据帧生成。我将Spark 2.2.0与Scala一起使用 val events = df.select($"event", hour($"time") as "hour", to_date($"time", "yyyy-MM-dd") as "day") +-----+-----+----------+ |事件|小时|天| +-----+-----+----------+ |事件1 | 18 | 2015-02-05| |事件1 | 17 | 201
val events = df.select($"event", hour($"time") as "hour", to_date($"time", "yyyy-MM-dd") as "day")
+-----+-----+----------+
|事件|小时|天|
+-----+-----+----------+
|事件1 | 18 | 2015-02-05|
|事件1 | 17 | 2015-02-19|
|事件5 | 18 | 2015-02-02|
|事件5 | 19 | 2015-02-02|
|事件1 | 1 | 2015-03-17|
|事件1 | 0 | 2015-02-03|
|事件1 | 20 | 2015-02-02|
|事件1 | 22 | 2015-02-02|
|事件1 | 23 | 2015-02-02|
|事件1 | 18 | 2015-02-09|
|事件1 | 19 | 2015-02-09|
|事件1 | 21 | 2015-02-09|
|事件1 | 21 | 2015-04-06|
|事件1 | 23 | 2015-02-09|
|事件1 | 20 | 2015-02-16|
|事件2 | 19 | 2015-02-12|
|事件3 | 18 | 2015-02-18|
|事件1 | 22 | 2015-02-16|
|事件2 | 17 | 2015-02-04|
|事件1 | 23 | 2015-02-16|
+-----+----+----------+
仅显示前20行
我需要创建每小时的存储桶,并计算每小时发生的事件数。因此,我的方法是创建bucket(其中24个)并计算特定时段内的事件,如下所示
val splits = (0 to 24).map(_ * 1.0).toArray
val bucketizer = new Bucketizer()
.setInputCol("hour")
.setOutputCol("bucket")
.setSplits(splits)
val bucket = bucketizer.transform(events)
val result = bucket.groupBy($"day", $"bucket").agg(count($"event").as("count")).orderBy(asc("bucket"))
result.filter($"day" === "2015-05-21").orderBy(asc("bucket")).show()
上面代码的结果是
+----------+------+-----+
|日|桶|计数|
+----------+------+-----+
|2015-05-21| 0.0| 1|
|2015-05-21| 2.0| 1|
|2015-05-21| 11.0| 1|
|2015-05-21| 17.0| 1|
|2015-05-21| 18.0| 4|
|2015-05-21| 19.0| 4|
|2015-05-21| 21.0| 1|
|2015-05-21| 22.0| 3|
|2015-05-21| 23.0| 1|
+----------+------+-----+
这是正确的。然而,我所期望的输出是这样的:
+----------+------+-----+
|日|桶|计数|
+----------+------+-----+
|2015-05-21| 0.0| 1|
|2015-05-21| 1.0| 0|
|2015-05-21| 2.0| 1|
|2015-05-21| 3.0| 0|
|2015-05-21| 4.0| 0|
|2015-05-21| 5.0| 0|
:
:
|2015-05-21| 11.0| 1|
|2015-05-21| 12.0| 0|
|2015-05-21| 13.0| 0|
:
:
|2015-05-21| 17.0| 1|
|2015-05-21| 18.0| 4|
|2015-05-21| 19.0| 4|
|2015-05-21| 20.0| 0|
|2015-05-21| 21.0| 1|
|2015-05-21| 22.0| 3|
|2015-05-21| 23.0| 1|
+----------+------+-----+
基本上,没有事件的容器(bucket)应该填充0。你知道怎么做到吗
谢谢大家! 这是我目前没有使用Bucketizer的解决方案(我承认不是很漂亮) 此代码返回如下所示的内容:
+----+-----+
|小时数|
+----+-----+
| 0| 1|
| 1| 0|
| 2| 1|
| 3| 0|
| 4| 0|
| 5| 0|
| 6| 0|
| 7| 0|
| 8| 0|
| 9| 0|
| 10| 0|
| 11| 1|
| 12| 0|
| 13| 0|
| 14| 0|
| 15| 0|
| 16| 0|
| 17| 1|
| 18| 4|
| 19| 4|
| 20| 0|
| 21| 1|
| 22| 3|
| 23| 1|
| 24| 0|
+----+-----+
这是我预期的结果。
如果有人能想出更好的解决办法,我会接受这个答案
谢谢大家! 到目前为止,hour列和bucket列应该包含相同的值,即bucketing步骤是不必要的。@Shaido我在请求中可能不够清楚。因为事件可能不会在某个小时内发生(例如:在1到2之间没有事件),所以我的数据帧将不包含标记为1的小时。这就是为什么我想强制创建所有的24小时和按桶分组
val events = df.select($"event", hour($"time") as "hour", to_date($"time", "yyyy-MM-dd") as "day")
val left = (0 to 24).toDF.withColumnRenamed("value", "hour")
val right = or_counts.filter($"day" === "2015-05-21").groupBy($"hour").agg(count("event").as("count")).orderBy(asc("hour"))
left.join(right, Seq("hour"), "left_outer").na.fill(0, Seq("count")).show()