如何在Spark数据帧中按分组和聚合后进行过滤？

Question

with schema as such: 我有一个带有架构的spark数据帧 ：

[id:string, label:string, tags:string]

id | label | tag
---|-------|-----
 1 | h     | null
 1 | w     | x
 1 | v     | null
 1 | v     | x
 2 | h     | x
 3 | h     | x
 3 | w     | x
 3 | v     | null
 3 | v     | null
 4 | h     | null
 4 | w     | x
 5 | w     | x

（h，w，v是标签.x可以是任何非空值）

对于每个id，最多只有一个标签“h”或“w”，但可能有多个“v”。 我想选择满足以下条件的所有ID：

每个id具有：1。一个标签“h”，其标签= null，2。一个标签“w”及其标签！= null，3。每个id至少有一个标签“v”。

我想我需要创建三列来检查上述每个条件。 然后我需要通过“id”做一组。

val hCheck = (label: String, tag: String) => {if (label=="h" && tag==null) 1 else 0}
val udfHCheck = udf(hCheck)
val wCheck = (label: String, tag: String) => {if (label=="w" && tag!=null) 1 else 0}
val udfWCheck = udf(wCheck)
val vCheck = (label: String) => {if (label==null) 1 else 0}
val udfVCheck = udf(vCheck)

dfx = df.withColumn("hCheck", udfHCheck(col("label"), col("tag")))
        .withColumn("wCheck", udfWCheck(col("label"), col("tag")))
        .withColumn("vCheck", udfVCheck(col("label")))
        .select("id","hCheck","wCheck","vCheck")
        .groupBy("id")

不知何故，我需要将三列{“hCheck”，“wCheck”，“vCheck”}分组到列表[x，0,0]，[0，x，0]，[0,0，x]的向量中。 并检查这些向量是否包含所有三个{[1,0,0]，[0,1,0]，[0,0,1]}

我还没能解决这个问题。 并且可能有比这更好的方法。 希望有人能给我建议。 谢谢

Answer 1

要将三个检查转换为矢量，您可以执行以下操作：具体来说，您可以：

val df1 = df.withColumn("hCheck", udfHCheck(col("label"), col("tag")))
            .withColumn("wCheck", udfWCheck(col("label"), col("tag")))
            .withColumn("vCheck", udfVCheck(col("label")))
            .select($"id",array($"hCheck",$"wCheck",$"vCheck").as("vec"))

接下来，groupby返回您需要执行聚合的分组对象。 特别要获得所有向量，你应该做的事情如下：

    .groupBy("id").agg(collect_list($"vec"))

此外，您不需要udfs进行各种检查。 您可以使用列语义来完成它。 例如，udfHCheck可以写成：

with($"label" == lit("h") && tag.isnull 1).otherwise(0)

顺便说一句，你说你想要每个标签'v'，但在vcheck中你只需检查标签是否为空。

更新：替代解决方案

再看一遍这个问题，我会做这样的事情：

val grouped = df.groupBy("id", "label").agg(count("$label").as("cnt"), first($"tag").as("tag"))
val filtered1 = grouped.filter($"label" === "v" || $"cnt" === 1)
val filtered2 = filtered.filter($"label" === "v" || ($"label" === "h" && $"tag".isNull) || ($"label" === "w" && $"tag".isNotNull))
val ids = filtered2.groupBy("id").count.filter($"count" === 3)

我们的想法是首先通过BOTH id和label进行分组，以便我们获得有关组合的信息。 我们收集的信息是多少个值（cnt）和第一个元素（无关紧要）。

现在我们做两个过滤步骤：1。我们只需要一个h和一个w以及任意数量的v，因此第一个过滤器可以获得这些情况。 2.我们确保每个案例都符合所有规则。

现在我们只有id和label的组合符合规则，所以为了使id合法，我们需要有三个标签实例。 这导致第二组，其仅简单地计算与规则匹配的标签的数量。 我们需要三个合法的（即匹配所有规则）。