Question

我们假设我有一个像这样的数据结构，其中ts是一些时间戳

case class Record(ts: Long, id: Int, value: Int)

鉴于大量这些记录，我希望最终得到每个id具有最高时间戳的记录。使用RDD api我认为以下代码完成了工作：

def findLatest(records: RDD[Record])(implicit spark: SparkSession) = {
  records.keyBy(_.id).reduceByKey{
    (x, y) => if(x.ts > y.ts) x else y
  }.values
}

同样，这是我对数据集的尝试：

def findLatest(records: Dataset[Record])(implicit spark: SparkSession) = {
  records.groupByKey(_.id).mapGroups{
    case(id, records) => {
      records.reduceLeft((x,y) => if (x.ts > y.ts) x else y)
    }
  }
}

我正试图弄清楚如何使用数据框来实现类似的东西，但无济于事 - 我意识到我可以用以下方式进行分组：

records.groupBy($"id")

但是这给了我一个RelationGroupedDataSet，我不清楚我需要编写哪些聚合函数来实现我想要的 - 所有我见过的示例聚合似乎都只关注返回一个列聚集而不是整行。

是否可以使用数据框来实现这一目标？

Answer 1

您可以使用argmax逻辑（请参阅databricks example）

例如，假设您的数据框名为df，并且它具有列id，val，ts，您可以执行以下操作：

import org.apache.spark.sql.functions._
val newDF = df.groupBy('id).agg.max(struct('ts, 'val)) as 'tmp).select($"id", $"tmp.*")

Answer 2

对于数据集，我做了这个，在Spark 2.1.1上测试

final case class AggregateResultModel(id: String,
                                      mtype: String,
                                      healthScore: Int,
                                      mortality: Float,
                                      reimbursement: Float)
.....
.....

// assume that the rawScores are loaded behorehand from json,csv files

val groupedResultSet = rawScores.as[AggregateResultModel].groupByKey( item => (item.id,item.mtype ))
      .reduceGroups( (x,y) => getMinHealthScore(x,y)).map(_._2)


// the binary function used in the reduceGroups

def getMinHealthScore(x : AggregateResultModel, y : AggregateResultModel): AggregateResultModel = {
    // complex logic for deciding between which row to keep
    if (x.healthScore > y.healthScore) { return y }
    else if (x.healthScore < y.healthScore) { return x }
    else {

      if (x.mortality < y.mortality) { return y }
      else if (x.mortality > y.mortality) { return x }
      else  {

        if(x.reimbursement < y.reimbursement)
          return x
        else
          return y

      }

    }

  }

Spark Dataframes-按键减少

2 个答案: