使用SparkR逐行计算

Question

这是我的玩具数据框。

library(tibble); library(SparkR)

df <- tibble::tribble(
  ~var1, ~var2, ~maxofvar1var2,
  1L,    1L,    1L,
  2L,    1L,    2L,
  2L,    3L,    3L,
  NA,    2L,    2L,
  1L,    4L,    4L,
  8L,    5L,    8L)

df <- df %>% as.DataFrame()

如何使用SparkR计算按行计算，以获取var1和var2的最大值，如上面df中的第3个变量所示？ 如果SparkR中没有行函数，如何获取所需的输出？

Answer 1

要从一组列中获取最大值 ，请使用SparkR::greatest ：

df %>% withColumn("maxOfVars", greatest(df$var1, df$var2))

以及一般情况下，组合数据上的高阶函数（例如aggregate （Spark 2.4或更高版本））。

df %>% withColumn("theLastVar", expr("aggregate(array(var1, var2), (x, y) -> y)"))

或（与版本无关）表达式的组成：

scols <- c("var1", "var2") %>% purrr::map(column)

sumOfVars <- scols %>%
  purrr::map(function(x) coalesce(x, lit(0)))  %>%
  purrr::reduce(function(x, y) x + y, .init=lit(0))

countOfVars <- scols %>% 
  purrr::map(function(x) ifelse(isNotNull(x), lit(1), lit(0))) %>%
  purrr::reduce(
    function(x, y) x + y, .init=lit(0))

df %>% withColumn("meanOfVars", sumOfVars / countOfVars)