Spark DataFrame按列将列值聚合到List中

Question

我的DataFrame看起来像这样：

+-----------------+-------+
|Id               | value |
+-----------------+-------+
|             1622| 139685|
|             1622| 182118|
|             1622| 127955|
|             3837|3224815|
|             1622| 727761|
|             1622| 155875|
|             3837|1504923|
|             1622| 139684|
+-----------------+-------+

我想把它变成：

    +-----------------+-------------------------------------------+
    |Id               | value                                     |
    +-----------------+-------------------------------------------+
    |             1622|139685,182118,127955,727761,155875,139684  |
    |             3837|3224815,1504923                            |
    +-----------------+-------------------------------------------+

这仅适用于DataFrame个功能，还是需要将其转换为RDD？

Answer 1

可以使用DataFrame API。尝试：

df.groupBy(col("Id"))
  .agg(collect_list(col("value")) as "value")

如果您要Array而不是String而不是,，请尝试以下操作：

df.groupBy(col("Id"))
  .agg(collect_list(col("value")) as "value")
  .withColumn("value", concat_ws(",", col("value")))

Answer 2

如David Griffin above所示，您可以使用Scala / Java collect_list API中的DataFrame函数。

但是，也可以使用相同的函数，但使用Spark SQL API：

spark.sql("SELECT id, collect_list(value) FROM df GROUP BY id")