如何在Spark中对数据集的窗口进行子采样？

Question

假设我有一个DataSet，看起来像这样：

Name    | Grade
---------------
Josh    | 94
Josh    | 87
Amanda  | 96
Karen   | 78
Amanda  | 90
Josh    | 88

我想创建一个新的DataSet，其中每个名称有3行，其中其他行（如果有的话）是从相同名称的行中采样的（例如，Karen将有3个相同的行） ）。

如何做到这一点而又不用遍历每个名​​称？

Answer 1

数据准备：

 val df = Seq(("Josh",94),("Josh",87),("Amanda",96),("Karen",78),("Amanda",90),("Josh",88)).toDF("Name","Grade")

仅当您的数据为skewed的{​​{1}}时，才执行以下操作： 添加一个随机数，然后为每个Name过滤前3个随机数。

Name

现在，汇总每个val df2 = df.withColumn("random", round(rand()*10)) import org.apache.spark.sql.expressions.Window val windowSpec = Window.partitionBy("Name").orderBy("random") val df3 = df2.withColumn("row_number",row_number.over(windowSpec)) .filter($"row_number" <= 3) 的值并重复3次，以确保我们每个Name至少拥有3条记录。然后，最后取1st 3个值，和Name

explode

注释：

• 由于上述代码在df4.groupBy("Name").agg(collect_list("Grade") as "grade_list") .withColumn("temp_list", slice( flatten(array_repeat($"grade_list", 3)), 1,3)) .select($"Name",explode($"temp_list") as "Grade").show 中最多具有3个值，因此将其复制3次不会有任何危害。
• 如果您不使用grade_list步骤，则可以结合使用Window来消除不必要的重复操作。