Question

我有

形式的输入记录

2013-07-09T19:17Z,f1,f2
2013-07-09T03:17Z,f1,f2
2013-07-09T21:17Z,f1,f2
2013-07-09T16:17Z,f1,f2
2013-07-09T16:14Z,f1,f2
2013-07-09T16:16Z,f1,f2
2013-07-09T01:17Z,f1,f2
2013-07-09T16:18Z,f1,f2

这些代表时间戳和事件。我手写了这些，但实际数据应该根据时间排序。

我想生成一组记录，这些记录将输入到需要连续时间序列的图形绘制功能。我想填写缺失的值，即是否有条目为＆＃34; 2013-07-09T19：17Z＆＃34;和＃34; 2013-07-09T19：19Z＆＃34;，我想为＆＃34; 2013-07-09T19：18Z＆＃34;生成条目。具有预定义的值。

我对这样做的想法：

使用MIN和MAX查找系列中的开始和结束日期
写UDF，它取最小值和最大值并返回缺失的关系时间戳
加入以上两个关系

我无法理解如何在PIG中实现这一点。非常感谢任何帮助。

谢谢！

Answer 1

使用脚本（猪外）生成另一个文件，所有时间戳都在MIN和MAX之间，包括MIN和MAX。将其加载为第二个数据集。这是我从您的数据集中使用的示例。请注意，我只填写了一些空白。

2013-07-09T01:17Z,d1,d2
2013-07-09T01:18Z,d1,d2
2013-07-09T03:17Z,d1,d2
2013-07-09T16:14Z,d1,d2
2013-07-09T16:15Z,d1,d2
2013-07-09T16:16Z,d1,d2
2013-07-09T16:17Z,d1,d2
2013-07-09T16:18Z,d1,d2
2013-07-09T19:17Z,d1,d2
2013-07-09T21:17Z,d1,d2

对原始数据集和上面生成的数据集执行COGROUP。使用嵌套的FOREACH GENERATE来编写输出数据集。如果第一个数据集为空，则使用第二个集合中的值生成输出数据集，否则使用第一个数据集。这是我在这两个数据集上使用的代码片段。

Org_Set = LOAD 'pigMissingData/timeSeries' USING PigStorage(',') AS (timeStamp, fl1, fl2);
Default_set = LOAD 'pigMissingData/timeSeriesFull' USING PigStorage(',') AS (timeStamp, fl1, fl2);
coGrouped = COGROUP Org_Set BY timeStamp, Default_set BY timeStamp;

Filled_Data_set = FOREACH coGrouped {
    x = COUNT(times);
    y = (x == 0?  (Default_set.fl1, Default_set.fl2): (Org_Set.fl1, Org_Set.fl2));
    GENERATE FLATTEN(group), FLATTEN(y.$0), FLATTEN(y.$1);
};

如果您需要进一步澄清或帮助我知道

Answer 2

除了@Rags答案之外，您还可以使用STREAM x THROUGH命令和一个简单的awk脚本（similar to this one）在获得最小和最大日期后生成日期范围。类似于（未经测试！ - 您可能需要使用分号命令分隔单行awk脚本，或者更好地将其作为脚本文件发送）

grunt> describe bounds;
(min:chararray, max:chararray)
grunt> dump bounds;
(2013/01/01,2013/01/04)
grunt> fullDateBounds = STREAM bounds THROUGH `gawk '{
  split($1,s,"/")
  split($2,e,"/")
  st=mktime(s[1] " " s[2] " " s[3] " 0 0 0")
  et=mktime(e[1] " " e[2] " " e[3] " 0 0 0")
  for (i=st;i<=et;i+=60*24) print strftime("%Y/%m/%d",i)
}'`;

如何在猪拉丁语的日期时间范围内创建丢失的记录

2 个答案: