获取Apache Pig中每N个元组的平均值

Question

假设我的表格有两列 CUSTTYPE 和 AMOUNT 。我想添加第三列 NTILE ，我可以将其分组并用于获取我的平均值，如下所示：

CUSTTYPE | AMOUNT  | NTILE
----------+---------+----------
 RETAIL   |   78.00 |   1
 RETAIL   |  234.00 |   1
 RETAIL   |  249.00 |   1
 RETAIL   |  278.00 |   2
 RETAIL   |  392.00 |   2
 RETAIL   |  498.00 |   2
 RETAIL   |  500.00 |   3
 RETAIL   |  738.00 |   3
 RETAIL   | 1250.00 |   3
 RETAIL   | 2029.00 |   4
 RETAIL   | 2393.00 |   4
 RETAIL   | 3933.00 |   4

基本上，我试图取每n个项的平均值（这里，n = 3）：

CUSTTYPE | AMOUNT  | NTILE
----------+---------+----------
 RETAIL   | 187.00 |   1
 RETAIL   | 389.33 |   2
 RETAIL   | 829.33 |   3
 RETAIL   | 2785.0 |   4

从Pig参考here，似乎可以使用Over()来实现，但我找不到如何做到这一点的示例。想法？

Answer 1

您可以使用RANK运算符对数据的每条记录进行排名：

http://pig.apache.org/docs/r0.14.0/basic.html#rank

像这样：

A = LOAD 'path' AS (schema);
B = RANK A;

然后将每个等级除以3：

C = FOREACH B generate ($0 + 1) / 3 as NTILE, CUSTTYPE, AMOUNT;