ฟังก์ชั่นหน้าต่าง :
สิ่งนี้ควรทำเคล็ดลับ:
import org.apache.spark.sql.functions.{row_number, max, broadcast}
import org.apache.spark.sql.expressions.Window
val df = sc.parallelize(Seq(
(0,"cat26",30.9), (0,"cat13",22.1), (0,"cat95",19.6), (0,"cat105",1.3),
(1,"cat67",28.5), (1,"cat4",26.8), (1,"cat13",12.6), (1,"cat23",5.3),
(2,"cat56",39.6), (2,"cat40",29.7), (2,"cat187",27.9), (2,"cat68",9.8),
(3,"cat8",35.6))).toDF("Hour", "Category", "TotalValue")
val w = Window.partitionBy($"hour").orderBy($"TotalValue".desc)
val dfTop = df.withColumn("rn", row_number.over(w)).where($"rn" === 1).drop("rn")
dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
วิธีนี้จะไม่มีประสิทธิภาพในกรณีที่ข้อมูลมีความผิดพลาดอย่างมีนัยสำคัญ
การรวม SQL ธรรมดาตามด้วย join
:
หรือคุณสามารถเข้าร่วมกับกรอบข้อมูลรวม:
val dfMax = df.groupBy($"hour".as("max_hour")).agg(max($"TotalValue").as("max_value"))
val dfTopByJoin = df.join(broadcast(dfMax),
($"hour" === $"max_hour") && ($"TotalValue" === $"max_value"))
.drop("max_hour")
.drop("max_value")
dfTopByJoin.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
มันจะเก็บค่าที่ซ้ำกัน (หากมีมากกว่าหนึ่งหมวดหมู่ต่อชั่วโมงด้วยมูลค่ารวมเดียวกัน) คุณสามารถลบสิ่งเหล่านี้ได้ดังนี้:
dfTopByJoin
.groupBy($"hour")
.agg(
first("category").alias("category"),
first("TotalValue").alias("TotalValue"))
ใช้การสั่งซื้อมากกว่า structs
:
เรียบร้อยแม้ว่าจะไม่ผ่านการทดสอบอย่างดี แต่เคล็ดลับที่ไม่ต้องการฟังก์ชั่นการเข้าร่วมหรือหน้าต่าง:
val dfTop = df.select($"Hour", struct($"TotalValue", $"Category").alias("vs"))
.groupBy($"hour")
.agg(max("vs").alias("vs"))
.select($"Hour", $"vs.Category", $"vs.TotalValue")
dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
ด้วย DataSet API (Spark 1.6+, 2.0+):
Spark 1.6 :
case class Record(Hour: Integer, Category: String, TotalValue: Double)
df.as[Record]
.groupBy($"hour")
.reduce((x, y) => if (x.TotalValue > y.TotalValue) x else y)
.show
// +---+--------------+
// | _1| _2|
// +---+--------------+
// |[0]|[0,cat26,30.9]|
// |[1]|[1,cat67,28.5]|
// |[2]|[2,cat56,39.6]|
// |[3]| [3,cat8,35.6]|
// +---+--------------+
Spark 2.0 หรือใหม่กว่า :
df.as[Record]
.groupByKey(_.Hour)
.reduceGroups((x, y) => if (x.TotalValue > y.TotalValue) x else y)
สองวิธีสุดท้ายสามารถใช้ประโยชน์จากการรวมแผนที่เข้าด้วยกันและไม่ต้องการการสลับแบบเต็มดังนั้นเวลาส่วนใหญ่ควรแสดงประสิทธิภาพที่ดีกว่าเมื่อเทียบกับฟังก์ชั่นหน้าต่างและการรวม อ้อยเหล่านี้ยังสามารถใช้กับการสตรีมแบบมีโครงสร้างในcompleted
โหมดเอาท์พุท
อย่าใช้ :
df.orderBy(...).groupBy(...).agg(first(...), ...)
ดูเหมือนว่าจะใช้งานได้ (โดยเฉพาะในlocal
โหมด) แต่ไม่น่าเชื่อถือ (ดูSPARK-16207 , เครดิตกับTzach Zoharสำหรับการเชื่อมโยงปัญหา JIRA ที่เกี่ยวข้องและSPARK-30335 )
หมายเหตุเดียวกันนี้ใช้กับ
df.orderBy(...).dropDuplicates(...)
ซึ่งภายในใช้แผนการดำเนินการเทียบเท่า