web-dev-qa-db-ja.com

Sparkでカスタム関数を使用して複数の列を集計する

spark複数の列にわたるデータフレームにカスタム集計関数を指定する方法があるかどうか疑問に思っていました。

タイプ（名前、アイテム、価格）のこのようなテーブルがあります。

john | tomato | 1.99
john | carrot | 0.45
bill | Apple  | 0.99
john | banana | 1.29
bill | taco   | 2.59

に：

私はアイテムを集約したいと思います、そしてそれはこのようなリストに各人の費用です：

john | (tomato, 1.99), (carrot, 0.45), (banana, 1.29)
bill | (Apple, 0.99), (taco, 2.59)

これはデータフレームで可能ですか？私は最近collect_listが、1つの列でのみ機能するようです。

scalaapache-sparkdataframeapache-spark-sqlorc
31
anthonybell

DataFrameとしてこれを行う最も簡単な方法は、最初に2つのリストを収集してから、2つのリストを一緒にUDFからZip使用することです。何かのようなもの：

import org.Apache.spark.sql.functions.{collect_list, udf}
import sqlContext.implicits._

val zipper = udf[Seq[(String, Double)], Seq[String], Seq[Double]](_.Zip(_))

val df = Seq(
  ("john", "tomato", 1.99),
  ("john", "carrot", 0.45),
  ("bill", "Apple", 0.99),
  ("john", "banana", 1.29),
  ("bill", "taco", 2.59)
).toDF("name", "food", "price")

val df2 = df.groupBy("name").agg(
  collect_list(col("food")) as "food",
  collect_list(col("price")) as "price" 
).withColumn("food", zipper(col("food"), col("price"))).drop("price")

df2.show(false)
# +----+---------------------------------------------+
# |name|food                                         |
# +----+---------------------------------------------+
# |john|[[tomato,1.99], [carrot,0.45], [banana,1.29]]|
# |bill|[[Apple,0.99], [taco,2.59]]                  |
# +----+---------------------------------------------+
29
David Griffin

リストとして収集する前に、struct関数を使用して列をグループ化することを検討してください。

import org.Apache.spark.sql.functions.{collect_list, struct}
import sqlContext.implicits._

val df = Seq(
  ("john", "tomato", 1.99),
  ("john", "carrot", 0.45),
  ("bill", "Apple", 0.99),
  ("john", "banana", 1.29),
  ("bill", "taco", 2.59)
).toDF("name", "food", "price")

df.groupBy($"name")
  .agg(collect_list(struct($"food", $"price")).as("foods"))
  .show(false)

出力：

+----+---------------------------------------------+
|name|foods                                        |
+----+---------------------------------------------+
|john|[[tomato,1.99], [carrot,0.45], [banana,1.29]]|
|bill|[[Apple,0.99], [taco,2.59]]                  |
+----+---------------------------------------------+
60
Daniel Siegmann

おそらく、Zip関数（DFとUDAFはパフォーマンスに非常に悪いため）よりも良い方法は、2つの列をStructにラップすることです。

これもおそらく機能します：

df.select('name, struct('food, 'price).as("Tuple"))
  .groupBy('name)
  .agg(collect_list('Tuple).as("tuples"))
5
Yifan Guo

データフレームをMapのRDDに変換し、groupByKeyを呼び出すオプションがあります。結果は、値がタプルのリストであるキーと値のペアのリストになります。

df.show
+----+------+----+
|  _1|    _2|  _3|
+----+------+----+
|john|tomato|1.99|
|john|carrot|0.45|
|bill| Apple|0.99|
|john|banana|1.29|
|bill|  taco|2.59|
+----+------+----+


val tuples = df.map(row => row(0) -> (row(1), row(2)))
tuples: org.Apache.spark.rdd.RDD[(Any, (Any, Any))] = MapPartitionsRDD[102] at map at <console>:43

tuples.groupByKey().map{ case(x, y) => (x, y.toList) }.collect
res76: Array[(Any, List[(Any, Any)])] = Array((bill,List((Apple,0.99), (taco,2.59))), (john,List((tomato,1.99), (carrot,0.45), (banana,1.29))))
2
Psidom