我想为一些基于多列的自定义聚合编写UDAF。一个简单的例子是具有两列c1和c2的数据帧。对于每一行,我取c1和c2的最大值(我们称之为cmax),然后取cmax之和。
当我调用df.agg()时,看起来我不能将两个或更多列传递给任何聚合方法,包括UDAF。第一个问题,是真的吗?
对于这个简单的例子,我可以创建另一个名为cmax的列,并在cmax上进行聚合。但实际上,我需要基于N个列组合进行聚合,结果将是大小为N的集合。我想在我的UDAF中循环更新方法中的组合。因此它需要N个中间列,这对我来说似乎不是一个干净的解决方案。第二个问题,我想知道是否可以创建中间列,或者是否有更好的解决方案。
我注意到在RDD中,问题要容易得多。我可以将整个记录传递给我的聚合函数,并且我可以访问所有数据字段。
答案 0 :(得分:1)
您可以在UDAF中使用尽可能多的列,因为它的签名apply
函数接受多个Columns
(来自它的源代码)。
def apply(exprs: Column*): Column
您只需确保inputSchema
返回StructType
,反映您要用作UDAF输入的列。
对于列c1
和c2
的情况,您的UDAF必须使用以下架构实现inputSchema
:
def inputSchema: StructType = StructType(Array(StructField("c1", DoubleType), StructField("c2", DoubleType)))
但是,如果您想要更通用的解决方案,您始终可以使用允许返回正确inputSchema
的参数初始化自定义UDAF。请参阅下面的示例,该示例允许在构建时定义任意StructType
(注意,我们不确认StructType
是DoubleType
)。< / p>
class MyMaxUDAF(schema: StructType) extends UserDefinedAggregateFunction {
def inputSchema: StructType = this.schema
def bufferSchema: StructType = StructType(Array(StructField("maxSum", DoubleType)))
def dataType: DataType = DoubleType
def deterministic: Boolean = true
def initialize(buffer: MutableAggregationBuffer): Unit = buffer(0) = 0.0
def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
buffer(0) = buffer.getDouble(0) + Array.range(0, input.length).map(input.getDouble).max
}
def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = buffer2 match {
case Row(buffer2Sum: Double) => buffer1(0) = buffer1.getDouble(0) + buffer2Sum
}
def evaluate(buffer: Row): Double = buffer match {
case Row(totalSum: Double) => totalSum
}
}
您的DataFrame包含值和聚合键。
val df = spark.createDataFrame(Seq(
Entry(0, 1.0, 2.0, 3.0), Entry(0, 3.0, 1.0, 2.0), Entry(1, 6.0, 2.0, 2)
))
df.show
+-------+---+---+---+
|groupMe| c1| c2| c3|
+-------+---+---+---+
| 0|1.0|2.0|3.0|
| 0|3.0|1.0|2.0|
| 1|6.0|2.0|2.0|
+-------+---+---+---+
使用UDAF,我们希望max的总和为6.0和6.0
val fields = Array("c1", "c2", "c3")
val struct = StructType(fields.map(StructField(_, DoubleType)))
val myMaxUDAF: MyMaxUDAF = new MyMaxUDAF(struct)
df.groupBy("groupMe").agg(myMaxUDAF(fields.map(df(_)):_*)).show
+-------+---------------------+
|groupMe|mymaxudaf(c1, c2, c3)|
+-------+---------------------+
| 0| 6.0|
| 1| 6.0|
+-------+---------------------+
UDAF有一个很好的教程。不幸的是,他们没有涵盖多个论点。
https://ragrawal.wordpress.com/2015/11/03/spark-custom-udaf-example/