修改

Question

我想知道是否有一种更有效的方法可以找到一组列中最常用的值，而不是使用rank()来将其用作缺失值的插补。

E.g。在spark-sql中，我可以制定类似的东西 how to select the most frequently appearing values? 每列。此解决方案适用于使用排名的单个列。我正在寻找的是a）一个更有效的变体（作为第一个答案轮廓）和b）比使用for循环和a）的解决方案更适合申请多个列的东西。

你认为有可能在火花中优化它吗？

修改

一个例子。这是一个小型数据集

case class FooBarGG(foo: Int, bar: String, baz: String, dropme: String)
val df = Seq((0, "first", "A", "dropme"), (1, "second", "A", "dropme2"),
    (0, "first", "B", "foo"),
    (1, "first", "C", "foo"))
    .toDF("foo", "bar", "baz", "dropme").as[FooBarGG]
val columnsFactor = Seq("bar", "baz")
val columnsToDrop = Seq("dropme")
val factorCol= (columnsFactor ++ columnsToDrop).map(c => col(c))

使用答案中的查询

df.groupBy(factorCol: _*).count.agg(max(struct($"count" +: factorCol: _*)).alias("mostFrequent")).show
+--------------------+
|        mostFrequent|
+--------------------+
|[1,second,A,dropme2]|
+--------------------+
|-- mostFrequent: struct (nullable = true)
 |    |-- count: long (nullable = false)
 |    |-- bar: string (nullable = true)
 |    |-- baz: string (nullable = true)
 |    |-- dropme: string (nullable = true)

结果但是对于栏栏 - ＆gt;首先，baz - ＆gt; A和drompe - ＆gt; foo是单个top1最常见的值，与返回的结果不同。

Answer 1

只要您可以订购字段并且count是最重要的字段，您就可以使用简单聚合：

import org.apache.spark.sql.functions._

val df = Seq("John", "Jane", "Eve", "Joe", "Eve").toDF("name")
val grouping = Seq($"name")

df.groupBy(grouping: _*).count.agg(max(struct($"count" +: grouping: _*)))

也可以使用静态类型Dataset：

import org.apache.spark.sql.catalyst.encoders.RowEncoder

df.groupByKey(x => x)(RowEncoder(df.schema)).count.reduce(
  (x, y) => if (x._2 > y._2) x else y
)

您可以调整分组列或键功能以处理更复杂的情况。

spark有效地为一组列找到最常见的值

修改

1 个答案: