我想在convert
中query
的下面的spark dataframe
:
sqlContext.sql("SELECT d.dep_name,count(*) FROM employees e,department d WHERE e.dep_id = d.dep_id GROUP BY d.dep_name HAVING count(*) >= 2").show
输出:
+---------+---+
| dep_name|_c1|
+---------+---+
| FINANCE| 3|
| AUDIT| 5|
|MARKETING| 6|
我使用以下查询进行了尝试:
scala> finalEmployeesDf.as("df1").join(depDf.as("df2"), $"df1.dep_id" === $"df2.dep_id").select($"dep_name").groupBy($"dep_name").count.show()
+---------+-----+
| dep_name|count|
+---------+-----+
| FINANCE| 3|
| AUDIT| 5|
|MARKETING| 6|
+---------+-----+
我知道这个isn't correct
原因是假设我们有一个部门只有一个条目的情况,那么它也会在这些结果中列出,但是我希望仅在counts are greater than 2
时才显示结果。那么我该如何实现呢?我尝试使用谷歌搜索,但在这种情况下没有帮助。
答案 0 :(得分:1)
您有错误的分组和集合部分。您需要选择所有相关列,并按相关项分组和汇总一次。这是未经测试的代码,它将代表正确的方法:
finalEmployeesDf.as("df1")
.join(depDf.as("df2"), $"df1.dep_id" === $"df2.dep_id")
.select($"dep_name")
.groupBy($"dep_name")
.agg(count($"dep_name").as("cnt"))
.filter($"cnt" > 2)
.show()
一般的建议是尝试将API调用分成几行,这使阅读和理解很多更加容易。
答案 1 :(得分:1)
尝试这样的事情:
DF.groupBy("x").agg(count("*").alias("cnt")).where($"cnt" > 2)