[英]Spark multiple dynamic aggregate functions, countDistinct not working
使用多个动态聚合操作在Spark数据帧上进行聚合。
我想使用带有多个动态聚合操作(由用户在JSON中传递)的Scala对Spark数据帧进行聚合。 我正在将JSON转换为Map
。
以下是一些示例数据:
colA colB colC colD
1 2 3 4
5 6 7 8
9 10 11 12
我正在使用的Spark聚合代码:
var cols = ["colA","colB"]
var aggFuncMap = Map("colC"-> "sum", "colD"-> "countDistinct")
var aggregatedDF = currentDF.groupBy(cols.head, cols.tail: _*).agg(aggFuncMap)
我必须将aggFuncMap
作为Map
传递,以便用户可以通过JSON配置传递任意数量的聚合。
上面的代码适用于某些聚合,包括sum
, min
, max
, avg
和count
。
但是,遗憾的是,此代码不适用于countDistinct
(可能是因为它是驼峰式的?)。
运行上面的代码时,我收到此错误:
线程“main”中的异常org.apache.spark.sql.AnalysisException:未定义的函数:'countdistinct'。 此函数既不是已注册的临时函数,也不是在数据库'default'中注册的永久函数
任何帮助将不胜感激!
目前无法在Map
使用带有countDistinct
agg
。 从文档中我们看到:
可用的聚合方法是avg,max,min,sum,count。
可能的解决方法是将Map
更改为Seq[Column]
,
val cols = Seq("colA", "colB")
val aggFuncs = Seq(sum("colC"), countDistinct("colD"))
val df2 = df.groupBy(cols.head, cols.tail: _*).agg(aggFuncs.head, aggFuncs.tail: _*)
但如果用户要在配置文件中指定聚合,这将无济于事。
另一种方法是使用expr
,这个函数将评估一个字符串并返回一列。 但是, expr
不接受"countDistinct"
,而是需要使用"count(distinct(...))"
。 这可以编码如下:
val aggFuncs = Seq("sum(colC)", "count(distinct(colD))").map(e => expr(e))
val df2 = df.groupBy(cols.head, cols.tail: _*).agg(aggFuncs.head, aggFuncs.tail: _*)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.