[英]Scala/Spark DataFrame: join rows to get a pair within itself
我正在嘗試編寫一個將df-> df2轉換為如下的函數:
// input dataframe df
+-----+-----+
| T | S |
+-----+-----+
| A| 4|
| B| 8|
| C| 8|
| D| 2|
+-----+-----+
我需要一個將df
作為輸入並返回df2
作為輸出的函數。
// output dataframe df2
+-----+-----+-----+
| T1 | T2 | S=T1+T2 |
+-----+-----+-----+
| A| B| 12|
| A| C| 12|
| A| D| 6|
| B| C| 16|
| B| D| 10|
| C| D| 10|
+-----+-----+-----+
編輯我想出了這個解決方案。 任何改進都將受到歡迎。
val sumOf = udf((left_score: Float, right_score: Float) => left_score + right_score)
val left = df.select("T", "S").withColumnRenamed("T", "T1").withColumnRenamed("S", "S1")
val right= df.select("T", "S").withColumnRenamed("T", "T2").withColumnRenamed("S", "S2")
val joinDF = left.join(right, left.col("T1") !== right.col("T2"))
val outDF = joinDF.withColumn("S", sumOf($"S1", $"S2")).select("T1", "T2", "S")
val df = sc.parallelize(Seq("A" -> 4, "B" -> 8, "C" -> 8, "D" -> 2))
.toDF("T", "S")
val df1 = df.withColumnRenamed("T", "T1")
.withColumnRenamed("S", "S1")
val df2 = df.withColumnRenamed("T", "T2")
.withColumnRenamed("S", "S2")
df1.join(df2, df1("T1") < df2("T2"))
.withColumn("S", 'S1 + 'S2)
.drop("S1", "S2")
.show
+---+---+---+
| T1| T2| S|
+---+---+---+
| A| B| 12|
| A| C| 12|
| A| D| 6|
| B| C| 16|
| B| D| 10|
| C| D| 10|
+---+---+---+
基本上,您不需要完整的笛卡爾積。 T2> T1時只有所有可能性。 這就是連接條件在代碼中的含義。 請注意,笛卡爾積會生成n²個記錄。 在這里,您將生成n(n-1)/ 2條記錄。 該值小於n²,但仍為O(n²),因此應盡可能避免使用...
撇開性能(提示:不可能使Spark在大型笛卡爾產品上表現良好),可以使用Spark 2.x中引入的交叉聯接。
import sc.implicits._
val df = sc.parallelize(Seq("A" -> 4, "B" -> 8, "C" -> 8, "D" -> 2))
.toDF("T", "S")
df.as("df1")
.crossJoin(df.as("df2"))
.filter($"df1.T" =!= $"df2.T")
.select($"df1.T".as("T1"), $"df2.T".as("T2"))
.withColumn("S", $"df1.S"+$"df2.S") // you can use udf here as well
內部聯接可以實現相同的結果,從而使其與Spark 1.6.x兼容
import sc.implicits._
val df = sc.parallelize(Seq("A" -> 4, "B" -> 8, "C" -> 8, "D" -> 2))
.toDF("T", "S")
df.as("df1")
.join(df.as("df2"), Seq("T"), "inner") // this line is different
.filter($"df1.T" =!= $"df2.T")
.select($"df1.T".as("T1"), $"df2.T".as("T2"))
.withColumn("S", $"df1.S"+$"df2.S") // you can use udf here as well
我建議的解決方案根本不需要您使用join
。 但是該解決方案也很昂貴,因為所有數據都將被累積到一個執行器中進行處理 。
我的解決方案是將內置函數(例如array
, collect_list
和explode
與window
函數結合在一起,如下所示
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions._
def windowFunction = Window.orderBy("T").rowsBetween(1, Long.MaxValue)
df.withColumn("array", collect_list(array($"T", $"S")).over(windowFunction))
.withColumn("array", explode($"array"))
.select($"T".as("T1"), $"array"(0).as("T2"), ($"array"(1)+$"S").as("S=T1+T2"))
.show(false)
這應該給你你想要的輸出為
+---+---+-------+
|T1 |T2 |S=T1+T2|
+---+---+-------+
|A |B |12.0 |
|A |C |12.0 |
|A |D |6.0 |
|B |C |16.0 |
|B |D |10.0 |
|C |D |10.0 |
+---+---+-------+
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.