使用Apache Spark和Java对DataFrame进行分组和聚合？

Question

我有一个DataFrame，在Spark中加载了以下模式：

email，first_name，last_name，order_id

如何通过电子邮件对其进行分组，计算每个组中的记录并使用此模式返回DataFrame：

email，first_name，last_name，order_count

Answer 1

这是在Scala中执行此操作的方法：

val df = sc.parallelize(Seq(("a","b","c",1),("a","b","c",2),("x","xb","xc",3),("y","yb","yc",4),("x","xb","xc",5))).toDF("email","first_name","last_name","order_id")

df.registerTempTable("df")

sqlContext.sql("select * from (select email, count(*) as order_count from df group by email ) d1 join df d2 on d1.email = d2.email")

在Java中 ，考虑到您已经创建了DataFrame，它实际上是相同的代码：

DataFrame results = sqlContext.sql("select * from (select email, count(*) as order_count from df group by email ) d1 join df d2 on d1.email = d2.email");

尽管如此，甚至认为这是一个直接的解决方案，但我认为这是一个不好的做法，因为你的代码很难维护和发展。 更清洁的解决方案是：

DataFrame email_count = df.groupBy("email").count();
DataFrame results2 = email_count.join(df, email_count.col("email").equalTo(df.col("email"))).drop(df.col("email"));