java - 使用 Apache Spark 和 Java 对 DataFrame 进行分组和聚合？

Question

我在 Spark 中加载了具有以下模式的 DataFrame:

电子邮件， 名， 姓， 订单号

我如何通过电子邮件对其进行分组，计算每组中的记录并返回具有此架构的 DataFrame:

电子邮件， 名， 姓， 订单数

Answer 1

这是在 Scala 中实现的一种方法:

val df = sc.parallelize(Seq(("a","b","c",1),("a","b","c",2),("x","xb","xc",3),("y","yb","yc",4),("x","xb","xc",5))).toDF("email","first_name","last_name","order_id")

df.registerTempTable("df")

sqlContext.sql("select * from (select email, count(*) as order_count from df group by email ) d1 join df d2 on d1.email = d2.email")

在 Java 中，考虑到您已经创建了 DataFrame，它实际上是相同的代码:

DataFrame results = sqlContext.sql("select * from (select email, count(*) as order_count from df group by email ) d1 join df d2 on d1.email = d2.email");

尽管如此，甚至认为这是直接的解决方案，但我认为这是一种不好的做法，因为您的代码将难以维护和发展。更清洁的解决方案是:

DataFrame email_count = df.groupBy("email").count();
DataFrame results2 = email_count.join(df, email_count.col("email").equalTo(df.col("email"))).drop(df.col("email"));