Scala Spark collect_list（）与array（）

Question

使用scala在火花中collect_list()和array()有什么区别？

我看到了各地的用途，用例对我来说尚不清楚，以确定差异。

Answer 1

即使array和collect_list都返回ArrayType列，但这两种方法还是有很大不同。

方法array将多个列“按列”组合到一个数组中，而collect_list通常按组（或Window分区在一个列上“按行”聚合）放入数组中，如下所示：

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

val df = Seq(
  (1, "a", "b"),
  (1, "c", "d"),
  (2, "e", "f")
).toDF("c1", "c2", "c3")

df.
  withColumn("arr", array("c2", "c3")).
  show
// +---+---+---+------+
// | c1| c2| c3|   arr|
// +---+---+---+------+
// |  1|  a|  b|[a, b]|
// |  1|  c|  d|[c, d]|
// |  2|  e|  f|[e, f]|
// +---+---+---+------+

df.
  groupBy("c1").agg(collect_list("c2")).
  show
// +---+----------------+
// | c1|collect_list(c2)|
// +---+----------------+
// |  1|          [a, c]|
// |  2|             [e]|
// +---+----------------+