Scala 使用日期的空数据转换数据集
我有一个带有日期、accountid和值的数据集。我想将数据集转换为一个新的数据集,如果某个特定日期中不存在accountid,则针对该日期添加一个值为0的accountid。这可能吗Scala 使用日期的空数据转换数据集,scala,apache-spark,apache-spark-sql,apache-spark-mllib,Scala,Apache Spark,Apache Spark Sql,Apache Spark Mllib,我有一个带有日期、accountid和值的数据集。我想将数据集转换为一个新的数据集,如果某个特定日期中不存在accountid,则针对该日期添加一个值为0的accountid。这可能吗 val df = sc.parallelize(Seq(("2018-01-01", 100.5,"id1"), ("2018-01-02", 120.6,"id1"), ("2018-01-03", 450.2,"id2") )).toDF("date", "val","accountid"
val df = sc.parallelize(Seq(("2018-01-01", 100.5,"id1"),
("2018-01-02", 120.6,"id1"),
("2018-01-03", 450.2,"id2")
)).toDF("date", "val","accountid")
+----------+-----+---------+
| date| val|accountid|
+----------+-----+---------+
|2018-01-01|100.5| id1|
|2018-01-02|120.6| id1|
|2018-01-03|450.2| id2|
+----------+-----+---------+
我想将此数据集转换为此格式
+----------+-----+---------+
| date| val|accountid|
+----------+-----+---------+
|2018-01-01|100.5| id1|
|2018-01-01| 0.0| id2|
|2018-01-02|120.6| id1|
|2018-01-02| 0.0| id2|
|2018-01-03|450.2| id2|
|2018-01-03|0.0 | id1|
+----------+-----+---------+
您可以创建引用
import org.apache.spark.sql.functions._
import org.apache.spark.sql.Row
val Row(minTs: Long, maxTs: Long) = df
.select(to_date($"date").cast("timestamp").cast("bigint") as "date")
.select(min($"date"), max($"date")).first
val by = 60 * 60 * 24
val ref = spark
.range(minTs, maxTs + by, by)
.select($"id".cast("timestamp").cast("date").cast("string").as("date"))
.crossJoin(df.select("accountid").distinct)
与输入数据的外部联接:
ref.join(df, Seq("date", "accountid"), "leftouter").na.fill(0.0).show
// +----------+---------+-----+
// | date|accountid| val|
// +----------+---------+-----+
// |2018-01-03| id1| 0.0|
// |2018-01-01| id1|100.5|
// |2018-01-02| id2| 0.0|
// |2018-01-02| id1|120.6|
// |2018-01-03| id2|450.2|
// |2018-01-01| id2| 0.0|
// +----------+---------+-----+
您可以简单地使用udf函数来满足您的需求
但在此之前,您必须获取完整的AccountID集,并将其广播以在udf函数中使用
udf函数返回的数组将被分解,最后选择列
当然,你需要一门案例课
应该给你什么
+----------+-----+---------+
|date |val |accountid|
+----------+-----+---------+
|2018-01-01|100.5|id1 |
|2018-01-01|0.0 |id2 |
|2018-01-02|120.6|id1 |
|2018-01-02|0.0 |id2 |
|2018-01-03|450.2|id2 |
|2018-01-03|0.0 |id1 |
+----------+-----+---------+
注意:在case类中使用value关键字,因为保留的标识符名称不能用作变量名称太好了!它起作用了。有一个问题是,交叉连接函数是否需要大量的性能,比如说原始数据集是否包含1M记录?由于洗牌和从稀疏到密集的转换,整个过程的成本很高,但您无法真正避免成本和期望的结果。
case class accounts(date:String, value:Double, accountid:String)
+----------+-----+---------+
|date |val |accountid|
+----------+-----+---------+
|2018-01-01|100.5|id1 |
|2018-01-01|0.0 |id2 |
|2018-01-02|120.6|id1 |
|2018-01-02|0.0 |id2 |
|2018-01-03|450.2|id2 |
|2018-01-03|0.0 |id1 |
+----------+-----+---------+