Spark请求最大计数

Question

我是spark的初学者，我尝试发出请求，允许我检索访问量最大的网页。

我的要求如下

mostPopularWebPageDF = logDF.groupBy("webPage").agg(functions.count("webPage").alias("cntWebPage")).agg(functions.max("cntWebPage")).show()

使用此请求，我只检索具有最大计数的数据框，但我想检索具有此分数的数据框和保存此分数的网页

像这样的东西：

webPage            max(cntWebPage)
google.com         2

我该如何解决我的问题？

非常感谢。

Answer 1

在pyspark + sql中：

logDF.registerTempTable("logDF")

mostPopularWebPageDF = sqlContext.sql("""select webPage, cntWebPage from (
                                            select webPage, count(*) as cntWebPage, max(count(*)) over () as maxcnt 
                                            from logDF 
                                            group by webPage) as tmp
                                            where tmp.cntWebPage = tmp.maxcnt""")

也许我可以让它变得更干净，但它确实有效。 我会尽力优化它。

我的结果：

webPage      cntWebPage
google.com   2

对于数据集：

webPage    usersid
google.com 1
google.com 3
bing.com   10

说明：通过分组+计数（*）函数完成正常计数。 所有这些计数中的最大值是通过窗口函数计算的，因此对于上面的数据集，立即DataFrame /而不删除maxCount列/：

webPage    count  maxCount
google.com 2      2
bing.com   1      2

然后我们选择count等于maxCount的行

编辑：我已经删除了DSL版本 - 它不支持window over（）并且订购正在改变结果。 对不起，这个bug。 SQL版本是正确的