Question

我正在尝试使用Spark数据帧而不是RDD，因为它们看起来比RDD更高级，并且往往会产生更易读的代码。

在14个节点的Google Dataproc群集中，我有大约6百万个名称被两个不同的系统转换为ID：sa和sb。每个Row都包含name，id_sa和id_sb。我的目标是生成从id_sa到id_sb的映射，以便对于每个id_sa，相应的id_sb是附加到id_sa的所有名称中最常见的ID }。

让我们试着用一个例子来澄清。如果我有以下行：

[Row(name='n1', id_sa='a1', id_sb='b1'),
 Row(name='n2', id_sa='a1', id_sb='b2'),
 Row(name='n3', id_sa='a1', id_sb='b2'),
 Row(name='n4', id_sa='a2', id_sb='b2')]

我的目标是制作从a1到b2的映射。实际上，与a1相关联的名称是n1，n2和n3，分别映射到b1，b2和{{1}因此，b2是与b2关联的名称中最常见的映射。以同样的方式，a1将映射到a2。可以假设总会有胜利者：不需要打破关系。

我希望我可以在我的数据框架上使用b2，但我不知道接下来该做什么。我希望聚合最终可以产生以下行：

groupBy(df.id_sa)

但也许我正在尝试使用错误的工具，我应该回到使用RDD。

Answer 1

使用join（如果是关系，则会在组中产生多行）：

import pyspark.sql.functions as F
from pyspark.sql.functions import count, col 

cnts = df.groupBy("id_sa", "id_sb").agg(count("*").alias("cnt")).alias("cnts")
maxs = cnts.groupBy("id_sa").agg(F.max("cnt").alias("mx")).alias("maxs")

cnts.join(maxs, 
  (col("cnt") == col("mx")) & (col("cnts.id_sa") == col("maxs.id_sa"))
).select(col("cnts.id_sa"), col("cnts.id_sb"))

使用窗口函数（将删除关系）：

from pyspark.sql.functions import row_number
from pyspark.sql.window import Window

w = Window().partitionBy("id_sa").orderBy(col("cnt").desc())

(cnts
  .withColumn("rn", row_number().over(w))
  .where(col("rn") == 1)
  .select("id_sa", "id_sb"))

使用struct订购：

from pyspark.sql.functions import struct

(cnts
  .groupBy("id_sa")
  .agg(F.max(struct(col("cnt"), col("id_sb"))).alias("max"))
  .select(col("id_sa"), col("max.id_sb")))

另见How to select the first row of each group?

Answer 2

我认为您可能正在寻找的是窗口功能： http://spark.apache.org/docs/latest/api/python/pyspark.sql.html?highlight=window#pyspark.sql.Window

https://databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html

这是Scala中的一个示例（我现在没有可用的Hive Spark Shell，所以我无法测试代码，但我认为它应该可以工作）：

case class MyRow(name: String, id_sa: String, id_sb: String)

val myDF = sc.parallelize(Array(
    MyRow("n1", "a1", "b1"),
    MyRow("n2", "a1", "b2"),
    MyRow("n3", "a1", "b2"),
    MyRow("n1", "a2", "b2")
)).toDF("name", "id_sa", "id_sb")

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

val windowSpec = Window.partitionBy(myDF("id_sa")).orderBy(myDF("id_sb").desc)

myDF.withColumn("max_id_b", first(myDF("id_sb")).over(windowSpec).as("max_id_sb")).filter("id_sb = max_id_sb")

使用Window函数可能有更有效的方法来实现相同的结果，但我希望这能指出正确的方向。

在Spark DataFrame中查找每个组的最大行数

2 个答案: