Question

我的spark（v1.5.0）代码中有两个DataFrame：

aDF = [user_id : Int, user_purchases: array<int> ]
bDF = [user_id : Int, user_purchases: array<int> ]

我想要做的是加入这两个数据帧，但我只需要aDF.user_purchases和bDF.user_purchases之间的交叉点超过2个元素（交点＆gt; 2）的行。

我是否必须使用RDD API或是否可以使用org.apache.sql.functions中的某些功能？

Answer 1

我没有看到任何内置函数，但您可以使用UDF：

import scala.collection.mutable.WrappedArray;
val intersect = udf ((a : WrappedArray[Int], b : WrappedArray[Int]) => {
   var count = 0;
   a.foreach (x => {
       if (b.contains(x)) count = count + 1;
    });
    count;
});
// test data sets
val one = sc.parallelize(List(
        (1, Array(1, 2, 3)), 
        (2, Array(1,2 ,3, 4)), 
        (3, Array(1, 2,3)), 
        (4, Array(1,2))
        )).toDF("user", "arr");

val two = sc.parallelize(List(
        (1, Array(1, 2, 3)), 
        (2, Array(1,2 ,3, 4)), 
        (3, Array(1, 2, 3)), 
        (4, Array(1))
        )).toDF("user", "arr");

// usage
one.join(two, one("user") === two("user"))
    .select (one("user"), intersect(one("arr"), two("arr")).as("intersect"))
    .where(col("intersect") > 2).show

// version from comment
one.join(two)
    .select (one("user"), two("user"), intersect(one("arr"), two("arr")).as("intersect")).
    where('intersect > 2).show

Answer 2

一种可能的解决方案是找到有趣的对并用数组扩充它们。首先让我们导入一些功能：

import org.apache.spark.sql.functions.explode

并重命名列：

val aDF_ = aDF.toDF("a_user_id", "a_user_purchases")
val bDF_ = bDF.toDF("b_user_id", "b_user_purchases")

匹配谓词的对可以标识为：

val filtered = aDF_.withColumn("purchase", explode($"a_user_purchases"))
  .join(bDF_.withColumn("purchase", explode($"b_user_purchases")), Seq("purchase"))
  .groupBy("a_user_id", "b_user_id")
  .count()
  .where($"count" > 2)

最后过滤的数据可以与输入数据集连接以获得完整的结果：

filtered.join(aDF_, Seq("a_user_id")).join(bDF_, Seq("b_user_id")).drop("count")

在Spark 2.4或更高版本中，您还可以使用内置函数：

import org.apache.spark.sql.functions.{size, array_intersect}

aDF_
  .crossJoin(bDF_)
  .where(size(
    array_intersect($"a_user_purchases", $"b_user_purchases"
  )) > 2)

虽然这可能仍然比更有针对性的散列连接慢。

根据两个数组列

2 个答案: