Question

我需要按“KEY”列进行分组，并且需要检查“TYPE_CODE”列是否同时具有“PL”和“JL”值，如果是，那么我需要将指标列添加为“Y”，否则为“N”

示例：

    //Input Values
    val values = List(List("66","PL") ,
    List("67","JL") , List("67","PL"),List("67","PO"),
    List("68","JL"),List("68","PO")).map(x =>(x(0), x(1)))

    import spark.implicits._
    //created a dataframe
    val cmc = values.toDF("KEY","TYPE_CODE")

    cmc.show(false)
    ------------------------
    KEY |TYPE_CODE  |
    ------------------------
    66  |PL |
    67  |JL |
    67  |PL |
    67  |PO |
    68  |JL |
    68  |PO |
    -------------------------

预期产出：

对于每个“KEY”，如果它具有“TYPE_CODE”则同时具有PL＆amp; JL然后Y. 否则N

    -----------------------------------------------------
    KEY |TYPE_CODE  | Indicator
    -----------------------------------------------------
    66  |PL         | N
    67  |JL         | Y
    67  |PL         | Y
    67  |PO         | Y
    68  |JL         | N
    68  |PO         | N
    ---------------------------------------------------

例如， 67有PL＆amp; JL - 所以“Y” 66只有PL - 所以“N” 68只有JL - 所以“N”

Answer 1

另一种选择：

按KEY分组并使用agg创建两个单独的指标列（一个用于JL，另一个用于PL），然后计算组合指标< / p>
join使用原始DataFrame

共：

val indicators = cmc.groupBy("KEY").agg(
  sum(when($"TYPE_CODE" === "PL", 1).otherwise(0)) as "pls",
  sum(when($"TYPE_CODE" === "JL", 1).otherwise(0)) as "jls"
).withColumn("Indicator", when($"pls" > 0 && $"jls" > 0, "Y").otherwise("N"))

val result = cmc.join(indicators, "KEY")
  .select("KEY", "TYPE_CODE", "Indicator")

这可能比@ Psidom的答案慢，但可能更安全 - collect_list如果你有一个特定键的大量匹配可能会有问题（该列表必须存储在单个工作人员的记忆中）。

修改：

如果已知输入唯一（即JL / PL最多只出现一次，最多），可以使用简单的indicators创建count聚合，（可以说）更容易阅读：

val indicators = cmc .where($"TYPE_CODE".isin("PL", "JL")) .groupBy("KEY").count() .withColumn("Indicator", when($"count" === 2, "Y").otherwise("N"))

Answer 2

一个选项：

1）收集 TYPE_CODE 作为列表;

2）检查它是否包含特定字符串;

3）然后用explode

展平列表

(cmc.groupBy("KEY")
    .agg(collect_list("TYPE_CODE").as("TYPE_CODE"))
    .withColumn("Indicator", 
        when(array_contains($"TYPE_CODE", "PL") && array_contains($"TYPE_CODE", "JL"), "Y").otherwise("N"))
    .withColumn("TYPE_CODE", explode($"TYPE_CODE"))).show
+---+---------+---------+
|KEY|TYPE_CODE|Indicator|
+---+---------+---------+
| 68|       JL|        N|
| 68|       PO|        N|    
| 67|       JL|        Y|
| 67|       PL|        Y|
| 67|       PO|        Y|
| 66|       PL|        N|
+---+---------+---------+

Spark Dataframe Group具有新指标列

2 个答案: