วิธีการเลือกแถวแรกของแต่ละกลุ่ม?


144

ฉันมี DataFrame สร้างขึ้นดังนี้

df.groupBy($"Hour", $"Category")
  .agg(sum($"value") as "TotalValue")
  .sort($"Hour".asc, $"TotalValue".desc))

ผลลัพธ์ดูเหมือนว่า:

+----+--------+----------+
|Hour|Category|TotalValue|
+----+--------+----------+
|   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|
| ...|    ....|      ....|
+----+--------+----------+

อย่างที่คุณเห็น DataFrame จะถูกจัดเรียงตามHourลำดับที่เพิ่มขึ้นตามมาด้วยTotalValueลำดับจากมากไปน้อย

ฉันต้องการเลือกแถวบนสุดของแต่ละกลุ่มเช่น

  • จากกลุ่มของชั่วโมง == 0 เลือก (0, cat26,30.9)
  • จากกลุ่มชั่วโมง == 1 เลือก (1, cat67,28.5)
  • จากกลุ่มชั่วโมง == 2 เลือก (2, cat56,39.6)
  • และอื่น ๆ

ดังนั้นผลลัพธ์ที่ต้องการจะเป็น:

+----+--------+----------+
|Hour|Category|TotalValue|
+----+--------+----------+
|   0|   cat26|      30.9|
|   1|   cat67|      28.5|
|   2|   cat56|      39.6|
|   3|    cat8|      35.6|
| ...|     ...|       ...|
+----+--------+----------+

การเลือกแถวบนสุดของแต่ละกลุ่มอาจเป็นประโยชน์

ความช่วยเหลือใด ๆ ที่ชื่นชมอย่างมาก

คำตอบ:


234

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 อ้อยเหล่านี้ยังสามารถใช้กับการสตรีมแบบมีโครงสร้างในcompletedโหมดเอาท์พุท

อย่าใช้ :

df.orderBy(...).groupBy(...).agg(first(...), ...)

ดูเหมือนว่าจะใช้งานได้ (โดยเฉพาะในlocalโหมด) แต่ไม่น่าเชื่อถือ (ดูSPARK-16207 , เครดิตกับTzach Zoharสำหรับการเชื่อมโยงปัญหา JIRA ที่เกี่ยวข้องและSPARK-30335 )

หมายเหตุเดียวกันนี้ใช้กับ

df.orderBy(...).dropDuplicates(...)

ซึ่งภายในใช้แผนการดำเนินการเทียบเท่า


3
ดูเหมือนว่าตั้งแต่ spark 1.6 เป็นrow_number ()แทนที่จะเป็น rowNumber
Adam Szałucha

เกี่ยวกับ Don't use df.orderBy (... ). gropBy (... ) เราสามารถพึ่งพา orderBy (... ) ในสถานการณ์ใดบ้าง หรือถ้าเราไม่แน่ใจว่า orderBy () จะให้ผลลัพธ์ที่ถูกต้องเรามีทางเลือกอะไรบ้าง?
Ignacio Alorre

ฉันอาจจะมองเห็นบางสิ่ง แต่โดยทั่วไปแนะนำให้หลีกเลี่ยง groupByKeyแต่ควรใช้ findByKey แทน นอกจากนี้คุณจะประหยัดได้หนึ่งบรรทัด
โทมัส

3
@Thomas การหลีกเลี่ยง groupBy / groupByKey เป็นเพียงเมื่อจัดการกับ RDDs คุณจะสังเกตเห็นว่าชุดข้อมูล api ไม่ได้มีฟังก์ชั่น reductionByKey
soote


16

สำหรับ Spark 2.0.2 พร้อมการจัดกลุ่มตามหลายคอลัมน์:

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

val w = Window.partitionBy($"col1", $"col2", $"col3").orderBy($"timestamp".desc)

val refined_df = df.withColumn("rn", row_number.over(w)).where($"rn" === 1).drop("rn")

8

นี้เป็นที่แน่นอนเดียวกันของzero323 's คำตอบแต่ในทางแบบสอบถาม SQL

สมมติว่ามีการสร้างและลงทะเบียน dataframe เป็น

df.createOrReplaceTempView("table")
//+----+--------+----------+
//|Hour|Category|TotalValue|
//+----+--------+----------+
//|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      |
//+----+--------+----------+

ฟังก์ชั่นหน้าต่าง:

sqlContext.sql("select Hour, Category, TotalValue from (select *, row_number() OVER (PARTITION BY Hour ORDER BY TotalValue DESC) as rn  FROM table) tmp where rn = 1").show(false)
//+----+--------+----------+
//|Hour|Category|TotalValue|
//+----+--------+----------+
//|1   |cat67   |28.5      |
//|3   |cat8    |35.6      |
//|2   |cat56   |39.6      |
//|0   |cat26   |30.9      |
//+----+--------+----------+

การรวม SQL ธรรมดาตามด้วยการเข้าร่วม:

sqlContext.sql("select Hour, first(Category) as Category, first(TotalValue) as TotalValue from " +
  "(select Hour, Category, TotalValue from table tmp1 " +
  "join " +
  "(select Hour as max_hour, max(TotalValue) as max_value from table group by Hour) tmp2 " +
  "on " +
  "tmp1.Hour = tmp2.max_hour and tmp1.TotalValue = tmp2.max_value) tmp3 " +
  "group by tmp3.Hour")
  .show(false)
//+----+--------+----------+
//|Hour|Category|TotalValue|
//+----+--------+----------+
//|1   |cat67   |28.5      |
//|3   |cat8    |35.6      |
//|2   |cat56   |39.6      |
//|0   |cat26   |30.9      |
//+----+--------+----------+

ใช้การสั่งซื้อมากกว่า structs:

sqlContext.sql("select Hour, vs.Category, vs.TotalValue from (select Hour, max(struct(TotalValue, Category)) as vs from table group by Hour)").show(false)
//+----+--------+----------+
//|Hour|Category|TotalValue|
//+----+--------+----------+
//|1   |cat67   |28.5      |
//|3   |cat8    |35.6      |
//|2   |cat56   |39.6      |
//|0   |cat26   |30.9      |
//+----+--------+----------+

วิธีการชุดข้อมูลและไม่ทำเหมือนกับคำตอบดั้งเดิม


2

รูปแบบคือกลุ่มโดย keys => ทำอะไรบางอย่างกับแต่ละกลุ่มเช่นลด => กลับไปที่ dataframe

ฉันคิดว่านามธรรมของ Dataframe นั้นค่อนข้างยุ่งยากในกรณีนี้ดังนั้นฉันจึงใช้ฟังก์ชั่น RDD

 val rdd: RDD[Row] = originalDf
  .rdd
  .groupBy(row => row.getAs[String]("grouping_row"))
  .map(iterableTuple => {
    iterableTuple._2.reduce(reduceFunction)
  })

val productDf = sqlContext.createDataFrame(rdd, originalDf.schema)

1

วิธีการแก้ปัญหาด้านล่างทำเพียงกลุ่มเดียวโดยแยกแถวของ dataframe ของคุณที่มี maxValue ในนัดเดียว ไม่จำเป็นต้องใช้ Joins หรือ Windows เพิ่มเติม

import org.apache.spark.sql.Row
import org.apache.spark.sql.catalyst.encoders.RowEncoder
import org.apache.spark.sql.DataFrame

//df is the dataframe with Day, Category, TotalValue

implicit val dfEnc = RowEncoder(df.schema)

val res: DataFrame = df.groupByKey{(r) => r.getInt(0)}.mapGroups[Row]{(day: Int, rows: Iterator[Row]) => i.maxBy{(r) => r.getDouble(2)}}

แต่มันจะสับทุกอย่างก่อน เป็นการปรับปรุงแทบจะไม่ (อาจจะไม่เลวร้ายยิ่งกว่าฟังก์ชั่นหน้าต่างขึ้นอยู่กับข้อมูล)
Alper t Turker

คุณมีกลุ่มที่แรกที่จะเรียกการสับเปลี่ยน มันไม่ได้แย่ไปกว่าฟังก์ชั่นหน้าต่างเพราะในฟังก์ชั่นหน้าต่างมันจะประเมินหน้าต่างของแต่ละแถวในดาต้าเฟรม
elghoto

1

วิธีที่ดีในการทำเช่นนี้กับ dataframe api กำลังใช้ตรรกะ argmax เช่นนั้น

  val df = 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")

  df.groupBy($"Hour")
    .agg(max(struct($"TotalValue", $"Category")).as("argmax"))
    .select($"Hour", $"argmax.*").show

 +----+----------+--------+
 |Hour|TotalValue|Category|
 +----+----------+--------+
 |   1|      28.5|   cat67|
 |   3|      35.6|    cat8|
 |   2|      39.6|   cat56|
 |   0|      30.9|   cat26|
 +----+----------+--------+

0

ที่นี่คุณสามารถทำสิ่งนี้ -

   val data = df.groupBy("Hour").agg(first("Hour").as("_1"),first("Category").as("Category"),first("TotalValue").as("TotalValue")).drop("Hour")

data.withColumnRenamed("_1","Hour").show

-2

เราสามารถใช้ฟังก์ชั่นหน้าต่างอันดับ () (ซึ่งคุณจะเลือกอันดับ = 1) อันดับเพียงเพิ่มตัวเลขสำหรับทุกแถวของกลุ่ม (ในกรณีนี้มันจะเป็นชั่วโมง)

นี่คือตัวอย่าง (จากhttps://github.com/jaceklaskowski/mastering-apache-spark-book/blob/master/spark-sql-functions.adoc#rank )

val dataset = spark.range(9).withColumn("bucket", 'id % 3)

import org.apache.spark.sql.expressions.Window
val byBucket = Window.partitionBy('bucket).orderBy('id)

scala> dataset.withColumn("rank", rank over byBucket).show
+---+------+----+
| id|bucket|rank|
+---+------+----+
|  0|     0|   1|
|  3|     0|   2|
|  6|     0|   3|
|  1|     1|   1|
|  4|     1|   2|
|  7|     1|   3|
|  2|     2|   1|
|  5|     2|   2|
|  8|     2|   3|
+---+------+----+
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.