我正在尝试对数据框执行非常具体的操作,但是我找不到一种很好的方法。
我有一个看起来像这样的数据框:
+------------------+----------------+--------+
|CIVILITY_PREDICTED|COUNTRY_CODE_PRE| name|
+------------------+----------------+--------+
| M| CA|A HANNAN|
| M| CA| A JAY|
| M| GB| A JAY|
| M| CA| A K I L|
| F| CA| A LAH|
| ?| CN| A LIAN|
| ?| CN| A MEI|
| ?| CN| A MIN|
| F| CA| A RIN|
| M| CA| A S M|
| ?| CN| A YING|
| F| CA|AA ISHAH|
| M| CA| AABAN|
| M| GB| AABAN|
| M| US| AABAN|
| M| GB| AABAS|
| F| CA| AABEER|
| M| CA| AABEL|
| F| US| AABHA|
| F| GB| AABIA|
+------------------+----------------+--------+
正如您在CIVILITY_PREDICTED中看到的那样,我有一些“?” 。 每个国家/地区的每个“名称”都有一行,有时CIVILITY_PREDICTED是“?”一个国家/地区,但另一个国家/地区名称相同。
所以基本上我想要每个“?”添加基于其他国家/地区的最常用的CIVILITY_PREDICTED。
我试图通过这样做来做到这一点(e是数据框,to_predict是另一个仅具有我要获取的名称的对象):
e.filter($"CIVILITY_PREDICTED" === "?" && $"name".isNotNull)
.select("COUNTRY_CODE_PRE","CIVILITY_PREDICTED","name").
collect().map(a => {
to_predict
.filter($"name" === a.get(3))
.filter( $"CIVILITY_PREDICTED" !== "?")
.groupBy("CIVILITY_PREDICTED")
.count()
.agg(org.apache.spark.sql.functions.max("CIVILITY_PREDICTED")).show()
有了这个,我得到每个名字中出现次数最多的CIVLITY_PREDICTED,但是我想它不是很理想,我不知道该如何替换相应的“?”在这个数据框中。
有人知道吗?非常感谢
答案 0 :(得分:0)
窗口功能是这里的关键。以下解决方案使用first_value根据行数选择第一个性别值。
spark.sql("""select distinct name, first_value(CIVILITY_PREDICTED) over (partition by name order by count(*) desc) civility
from civ
group by name, CIVILITY_PREDICTED
""").show
根据如下所示重新创建的数据,返回:
+-----+--------+
| name|civility|
+-----+--------+
|AABAN| M|
+-----+--------+
要查看原始值以及最常见的值:
spark.sql("""select name, CIVILITY_PREDICTED,
first(CIVILITY_PREDICTED)
over (partition by name order by count(*) desc) civility
from civ
group by 1,2
order by 1,2
""").show
返回
+-----+------------------+--------+
| name|CIVILITY_PREDICTED|civility|
+-----+------------------+--------+
|AABAN| ?| M|
|AABAN| M| M|
+-----+------------------+--------+
对于您要解决的问题,我仅重新创建了一个名称。 AABAN是吗?代表一行,“ M”代表另外两行。
val civ = """+------------------+----------------+--------+
|CIVILITY_PREDICTED|COUNTRY_CODE_PRE| name|
+------------------+----------------+--------+
| ?| CA| AABAN|
| M| GB| AABAN|
| M| US| AABAN|""".stripMargin.replaceAll("\\+", "").replaceAll("\\-", "").split("\n").filter(_.size>10)
val df = spark.read
.option("ignoreTrailingWhiteSpace", "true")
.option("ignoreLeadingWhiteSpace", "true")
.option("delimiter", "|")
.option("header", "true")
.csv(spark.sparkContext.parallelize(civ).toDS)
.drop("_c3")
df.createOrReplaceTempView("civ")
df.orderBy("name").show(99)
+------------------+----------------+-----+
|CIVILITY_PREDICTED|COUNTRY_CODE_PRE| name|
+------------------+----------------+-----+
| ?| CA|AABAN|
| M| GB|AABAN|
| M| US|AABAN|
+------------------+----------------+-----+