如何比较多行？

Question

我想将两个连续的行 i 与 col2 的 i-1 进行比较（按 col1 排序）。

如果第 i 行的 item_i 和 item_[i-1]_row 不同，我想将 item_[i-1] 的计数加 1。

+--------------+
| col1 col2    |
+--------------+
| row_1 item_1 |
| row_2 item_1 |
| row_3 item_2 |
| row_4 item_1 |
| row_5 item_2 |
| row_6 item_1 |
+--------------+

在上面的例子中，如果我们一次向下扫描两行，我们看到 row_2 和 row_3 不同，因此我们在 item_1 上加一。接下来，我们看到 row_3 与 row_4 不同，然后在 item_2 上加一。继续，直到我们结束：

+-------------+
|  col2  col3 |
+-------------+
|  item_1  2  |
|  item_2  2  |
+-------------+

Answer 1

您可以结合使用 window 函数和聚合函数来执行此操作。 window 函数用于获取 col2 的下一个值（使用 col1 进行排序）。然后聚合计算我们遇到差异的次数。这是在下面的代码中实现的：

val data = Seq(
  ("row_1", "item_1"),
  ("row_2", "item_1"),
  ("row_3", "item_2"),
  ("row_4", "item_1"),
  ("row_5", "item_2"),
  ("row_6", "item_1")).toDF("col1", "col2")

import org.apache.spark.sql.expressions.Window
val q = data.
  withColumn("col2_next",
    coalesce(lead($"col2", 1) over Window.orderBy($"col1"), $"col2")).
  groupBy($"col2").
  agg(sum($"col2" =!= $"col2_next" cast "int") as "col3")

scala> q.show
17/08/22 10:15:53 WARN WindowExec: No Partition Defined for Window operation! Moving all data to a single partition, this can cause serious performance degradation.
+------+----+
|  col2|col3|
+------+----+
|item_1|   2|
|item_2|   2|
+------+----+

如何比较多行？

How to compare multiple rows?

scala

apache-spark

spark-streaming

apache-spark-sql