聚合后获取Spark DataFrame的所有列

Question

假设我有一个数据框：

+----+----+---+
|  c1|name|qty|
+----+----+---+
|abc1|   a|  1|
|abc2|   a|  0|
|abc3|   b|  3|
|abc4|   b|  2|
+----+----+---+

我希望每个qty只能获得最小name行：

+----+----+---+
|  c1|name|qty|
+----+----+---+
|abc2|   a|  0|
|abc4|   b|  2|
+----+----+---+

我这样做：

df1 = df.groupBy('name').agg(sf.min('qty')).select("min(qty)")
df2 = df1.join(df, df1["min(qty)"] == df["qty"]).drop("min(qty)") // df2 is the result

它在工作。我想知道它是否可以改进。你怎么能改进上面的解决方案？

Answer 1

您可以在数据框中使用reduceBuKey。根据名称减少，然后选择下面的键。我假设df与

的数据集相关联

case class (c1:String, name:String, qty:Integer)

val mappedPairRdd =
    df.map(row ⇒ (row.name, (row.c1, row.name, row.qty))).rdd;
  val reduceByKeyRDD = mappedPairRdd
    .reduceByKey((row1, row2) ⇒ {
      if (row1._3 > row2._3) {
        row2
      } else {
        row1
      }
    })
    .values;