java - 根据在不同列中测试的条件创建带有组标签的新列

Question

我想根据另一列中测试的条件创建组标签。特别是，如果有 directionChange.equalTo(1) 的值，我想开始一个新的段(标签)。应该的结果在 segmentNr 列中给出，我的代码生成的结果在 nSegment 中。 我认为不可能以这种方式进行类似的作业。 最后，我想计算不同的方面，例如每个段的值的总和、平均值、最大值(不在问题范围内)。

输入示例:

+---+-----+---------------+---------+--------+
| id|value|directionChange|segmentNr|nSegment|
+---+-----+---------------+---------+--------+
|  1| 11.0|              0|        1|       1|
|  2|-22.0|              1|        2|       1|
|  3| 34.0|              0|        2|       1|    
|  4|-47.0|              1|        3|       1|    
|  5| 61.0|              1|        4|       1|    
|  6| 22.0|              0|        4|       1|    
|  7|  5.0|              0|        4|       1|    
|  8| -7.0|              1|        5|       1|    
+---+-----+---------------+---------+--------+

使用输入数据集添加新列的函数:

public static Dataset<Row> createSegments(Dataset<Row> dataset, String columnName, int start, String newColumnName) throws Exception
{
    int test = 1;
    Dataset<Row> resultDataset = dataset.withColumn(newColumnName, //
            functions.when(dataset.col(columnName).equalTo(1), (start = start + 1))//
                    .otherwise(start));

    return resultDataset;
}

函数调用如下:

dataset = createSegments(dataset, "directionChange", 0, "nSegment");

Answer 1

这可以使用Window函数来完成。但是，由于您没有用于对数据进行分区的列，因此对于大型数据集来说，它可能会变得非常慢。这可以通过在下面的 Window 对象上使用 partitionBy(column) 来改进。但是，这需要一个好的列来进行分区，并且最终结果也将被分成几个部分。

该解决方案背后的想法是，当按 id 列排序时，对 directionChange 列进行累积和。在斯卡拉中:

val window = Window.orderBy("id").rowsBetween(Window.unboundedPreceding, Window.currentRow)
val df2 = dataset.withColumn("nSegment", sum($"directionChange").over(window) + 1)

Java代码:

WindowSpec window = Window.orderBy("id").rowsBetween(Window.unboundedPreceding(), Window.currentRow()); 
Dataset<Row> df2 = dataset.withColumn("nSegment", functions.sum("directionChange").over(window));

在旧版本的 Spark (< 2.1.0) 中使用:

rowsBetween(Long.MinValue, 0)

这将创建一个新列nSegment，它等于输入数据中的segmentNr。对于下一步，您可以使用 groupBy("nSegment").agg(...) 计算每个分割的不同指标。