[英]Apache Spark Group By (get First & Last values in Group)
我在學校雲上的 VM 集群上運行 hadoop(老實說,不知道具體細節)。 我正在使用 apache spark 與 hadoop 對話並運行我當前的代碼。
我一直在嘗試對我的數據執行一些聚合,以找到一個小時/天/月的總消耗值(數據中的 ENERGY_READING 列)
CONSUMPTION.tsv已經完成了一些操作
+--------+-------------------+----+--------------+
|HOUSE_ID|CONDATE |HOUR|ENERGY_READING|
+--------+-------------------+----+--------------+
|9 |2015-05-30 00:00:00|0 |11000.001444 |
|9 |2015-05-30 00:00:10|0 |11000.002888 |
|9 |2015-05-30 00:00:20|0 |11000.004332 |
|9 |2015-05-30 00:00:30|0 |11000.005776 |
|9 |2015-05-30 00:00:40|0 |11000.00722 |
|9 |2015-05-30 00:00:50|0 |11000.008664 |
|9 |2015-05-30 00:01:00|0 |11000.010108 |
|9 |2015-05-30 00:01:10|0 |11000.011552 |
|9 |2015-05-30 00:01:20|0 |11000.012996 |
|9 |2015-05-30 00:01:30|0 |11000.01444 |
|9 |2015-05-30 00:01:40|0 |11000.015884 |
|9 |2015-05-30 00:01:50|0 |11000.017328 |
|9 |2015-05-30 00:02:00|0 |11000.018772 |
|9 |2015-05-30 00:02:10|0 |11000.020216 |
|9 |2015-05-30 00:02:20|0 |11000.02166 |
|9 |2015-05-30 00:02:30|0 |11000.023104 |
|9 |2015-05-30 00:02:40|0 |11000.024548 |
|9 |2015-05-30 00:02:50|0 |11000.025992 |
|9 |2015-05-30 00:03:00|0 |11000.027436 |
|9 |2015-05-30 00:03:10|0 |11000.02888 |
+--------+-------------------+----+--------------+
Java Class
StructType schema = new StructType()
.add("LOG_ID",IntegerType)
.add("HOUSE_ID", IntegerType)
.add("CONDATE", StringType)
.add("ENERGY_READING", DoubleType)
.add("FLAG", IntegerType);
Dataset<Row> data = spark.read()
.option("header", true)
.option("delimiter", "\t")
.option("mode","DROPMALFORMED")
.schema(schema)
.csv("hdfs://hd-master:9820/CONSUMPTION.tsv");
data = data.withColumn("CONDATE", functions.to_timestamp(functions.col("CONDATE"),"yy-MM-dd HH:mm:ss.SSSSSSSSS").cast(TimestampType));
data = data.withColumn("HOUR", functions.hour(functions.col("CONDATE")));
Dataset<Row> df = data.select("HOUSE_ID","CONDATE","HOUR","ENERGY_READING");
因此,我擁有的數據每 10 秒遞增一次。 我想獲取每個小時/天/月的第一個和最后一個值。
本質上,我想要的是 11000.001444 日的第一個值,在這種情況下,最后一個值可以說是 11000.01444。 然后從第一個中減去第二個,以獲得該小時/天/月的總消耗量。
這會給我一個 output
HOUSE_ID CONDATE HOUR ENERGY_READING
9 15-05-30 0 0.013
9 15-05-30 1 ...
下面的代碼將按分鍾分組並計算該分鍾的消耗:
import org.apache.spark.sql.expressions.Window
Dataset<Row> df2 = df.groupBy(
functions.col("HOUSE_ID"),
functions.minute(col("CONDATE")).alias("minute")
).agg(
functions.min("ENERGY_READING").alias("ENERGY_READING")
).withColumn(
"LAG_ENERGY_READING",
functions.lag(functions.col("ENERGY_READING"), 1).over(Window.partitionBy("HOUSE_ID").orderBy("minute"))
).withColumn(
"consumption",
functions.expr("ENERGY_READING - LAG_ENERGY_READING")
)
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.