apache-spark - Spark中密集等级和行数的差异

Question

我试图理解密集排名和行号之间的区别。每个新窗口分区都从 1 开始。行的排名并不总是从 1 开始吗？任何帮助将不胜感激

Answer 1

区别在于排序列中存在“关系”。检查下面的示例:

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._

val df = Seq(("a", 10), ("a", 10), ("a", 20)).toDF("col1", "col2")

val windowSpec = Window.partitionBy("col1").orderBy("col2")

df
  .withColumn("rank", rank().over(windowSpec))
  .withColumn("dense_rank", dense_rank().over(windowSpec))
  .withColumn("row_number", row_number().over(windowSpec)).show

+----+----+----+----------+----------+
|col1|col2|rank|dense_rank|row_number|
+----+----+----+----------+----------+
|   a|  10|   1|         1|         1|
|   a|  10|   1|         1|         2|
|   a|  20|   3|         2|         3|
+----+----+----+----------+----------+

请注意，值“10”在同一窗口内的 col2 中出现两次 (col1 = "a")。这时您就会看到这三个函数之间的差异。