java - 组 - 从 Dataframe 中的 2 列进行计数 - Spark Java

标签 java apache-spark

我有一个包含 2 列的 Spark Dataframe,如下所示。

Date      | Area
1/1/2016  |  1
3/1/2016  |  4
1/1/2016  |  1
5/1/2016  |  2
1/1/2016  |  3
1/1/2016  |  1
3/1/2016  |  4
1/1/2016  |  2
3/1/2016  |  3
3/1/2016  |  3
1/1/2016  |  4
1/1/2016  |  4
1/1/2016  |  2

我想要一个输出

 Day: 1/1/2016 -> There are 3 rows at Area1
               -> There are 2 rows at Area2
               -> There are 1 rows at Area3
               -> There are 2 rows at Area4
 Day: 3/1/2016 -> There are 0 rows at Area1
               -> There are 0 rows at Area2
               -> There are 2 rows at Area3
               -> There are 2 rows at Area4
 Day: 5/1/2016 -> ..........

我的 java 8 代码是:

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.*;
import org.apache.spark.sql.*;

public class Main {

    public static void main(String[] args) {
        SparkConf conf = new SparkConf();
        conf.setAppName("My 1st Spark app");
        conf.setMaster("local[*]");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SparkSession sparkSession = SparkSession.builder().sparkContext(sc.sc()).getOrCreate();

        Dataset<Row> df = sparkSession.read().option("header", true).option("inferSchema", "true").option("timestampFormat", "yyyy-MM-dd hh:mm:ss").csv("hdfs://quickstart.cloudera:8020//user//cloudera//fares.csv");
    Dataset<Row> df = df_date_column.groupBy("Date").count();

但是我有一个按日期而不是按区域分组的结果。那么如何按日期和区域进行分组呢?

最佳答案

这可以使用 Spark SQL 窗口函数以及带有收集函数的 Spark Dataframe 上的每个循环来完成(对于大数据来说不理想,因为作业会变慢)。下面是 pyspark 代码,您可以将其转换为 Java,因为主 Spark sql 查询不会改变。稍后使用 java for 循环并访问数组上的每个元素,即sparkDataFrame.collect()。

    from pyspark.sql.functions import *

    data.createOrReplaceTempView("tmp")

    # final = data.groupBy("Area").agg(count("Date"))
    # final.show(20,False)

    df = spark.sql("""
    SELECT distinct date, 
                    area, 
                    count(area) over (partition by date,area order by date,area) as area_cnt,
                    min(area) over (partition by date order by date,area) as area_first,
                    max(area) over (partition by date order by date,area desc) as area_last
    from tmp
    order by date, area
    """)
    df.show(20,False)

    for i in df.collect() :
        if i.area_first == i.area : 
            print("Day: " + i.date + " -> There are " + str(i.area_cnt) + " rows at Area" + str(i.area))
        else :
            print("              -> There are " + str(i.area_cnt) + " rows at Area" + str(i.area))

    InputData :
    +--------+----+--------+----------+---------+
    |date    |area|area_cnt|area_first|area_last|
    +--------+----+--------+----------+---------+
    |1/1/2016|1   |3       |1         |4        |
    |1/1/2016|2   |2       |1         |4        |
    |1/1/2016|3   |1       |1         |4        |
    |1/1/2016|4   |2       |1         |4        |
    |3/1/2016|3   |2       |3         |4        |
    |3/1/2016|4   |2       |3         |4        |
    |5/1/2016|2   |1       |2         |2        |
    +--------+----+--------+----------+---------+

    Output :
    Day: 1/1/2016 -> There are 3 rows at Area1
                -> There are 2 rows at Area2
                -> There are 1 rows at Area3
                -> There are 2 rows at Area4
    Day: 3/1/2016 -> There are 2 rows at Area3
                -> There are 2 rows at Area4
    Day: 5/1/2016 -> There are 1 rows at Area2

关于java - 组 - 从 Dataframe 中的 2 列进行计数 - Spark Java,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59377428/

相关文章:

apache-spark - 查找 pyspark 中行字符串中的日期之间的平均时间和总时间?

apache-spark - 如何使用辅助用户操作来改进 Spark ALS 的推荐?

java - 缓冲阅读器 HTTP POST

java - 使用泛型搜索数组中的最大元素

java - 如何在从 Spark 使用 Kafka 时获取偏移量 ID,将其保存在 Cassandra 中并使用它来重启 Kafka?

hadoop - 安装Spark时出错

apache-spark - Spark 数据帧删除重复项并保持第一

Java 集合(链表概念)

java - 从命令行覆盖 pom pluginManagement 中定义的 Maven 插件配置

java - 我想释放一些 ram 空间来提高系统性能而不终止或杀死 java 进程