質問はほとんどタイトルにあります。違いに関する詳細なドキュメントが見つかりません。
キューブとgroupBy関数呼び出しを交換すると、結果が異なるため、違いに気付きました。 「キューブ」を使用した結果では、頻繁にグループ化する式で多くのヌル値を取得しました。
これらは同じ方法で動作することを意図していません。 groupBy
は、単に標準SQLの_GROUP BY
_句と同等です。言い換えると
_table.groupBy($"foo", $"bar")
_
以下と同等です:
_SELECT foo, bar, [agg-expressions] FROM table GROUP BY foo, bar
_
cube
は_GROUP BY
_のCUBE
拡張と同等です。列のリストを受け取り、集約式をグループ化列のすべての可能な組み合わせに適用します。次のようなデータがあるとしましょう:
_val df = Seq(("foo", 1L), ("foo", 2L), ("bar", 2L), ("bar", 2L)).toDF("x", "y")
_
_df.show
// +---+---+
// | x| y|
// +---+---+
// |foo| 1|
// |foo| 2|
// |bar| 2|
// |bar| 2|
// +---+---+
_
そして、カウントとしてcube(x, y)
を集計として計算します:
_df.cube($"x", $"y").count.show
// +----+----+-----+
// | x| y|count|
// +----+----+-----+
// |null| 1| 1| <- count of records where y = 1
// |null| 2| 3| <- count of records where y = 2
// | foo|null| 2| <- count of records where x = foo
// | bar| 2| 2| <- count of records where x = bar AND y = 2
// | foo| 1| 1| <- count of records where x = foo AND y = 1
// | foo| 2| 1| <- count of records where x = foo AND y = 2
// |null|null| 4| <- total count of records
// | bar|null| 2| <- count of records where x = bar
// +----+----+-----+
_
cube
と同様の関数は、左から右へ階層小計を計算するrollup
です。
_df.rollup($"x", $"y").count.show
// +----+----+-----+
// | x| y|count|
// +----+----+-----+
// | foo|null| 2| <- count where x is fixed to foo
// | bar| 2| 2| <- count where x is fixed to bar and y is fixed to 2
// | foo| 1| 1| ...
// | foo| 2| 1| ...
// |null|null| 4| <- count where no column is fixed
// | bar|null| 2| <- count where x is fixed to bar
// +----+----+-----+
_
比較のために、単純なgroupBy
の結果を見てみましょう:
_df.groupBy($"x", $"y").count.show
// +---+---+-----+
// | x| y|count|
// +---+---+-----+
// |foo| 1| 1| <- this is identical to x = foo AND y = 1 in CUBE or ROLLUP
// |foo| 2| 1| <- this is identical to x = foo AND y = 2 in CUBE or ROLLUP
// |bar| 2| 2| <- this is identical to x = bar AND y = 2 in CUBE or ROLLUP
// +---+---+-----+
_
要約する:
GROUP BY
_を使用すると、すべての行が対応するサマリーに1回だけ含まれます。GROUP BY CUBE(..)
を使用すると、すべての行がそれが表すレベルの各組み合わせの要約に含まれ、ワイルドカードが含まれます。論理的には、上記の例は次のようなものに相当します(NULL
プレースホルダーを使用できると仮定):
_SELECT NULL, NULL, COUNT(*) FROM table
UNION ALL
SELECT x, NULL, COUNT(*) FROM table GROUP BY x
UNION ALL
SELECT NULL, y, COUNT(*) FROM table GROUP BY y
UNION ALL
SELECT x, y, COUNT(*) FROM table GROUP BY x, y
_
GROUP BY ROLLUP(...)
はCUBE
と似ていますが、列を左から右に埋めることで階層的に機能します。
_SELECT NULL, NULL, COUNT(*) FROM table
UNION ALL
SELECT x, NULL, COUNT(*) FROM table GROUP BY x
UNION ALL
SELECT x, y, COUNT(*) FROM table GROUP BY x, y
_
ROLLUP
とCUBE
は、データウェアハウジング拡張機能に由来するため、これがどのように機能するかをより深く理解したい場合は、お気に入りのRDMBSのドキュメントを確認することもできます。例えば、PostgreSQLは9.5と これらは比較的よく文書化されています の両方で導入されました。