在 Spark DataFrame 中查找每组的最大行数

Question

我正在尝试使用 Spark 数据帧而不是 RDD，因为它们看起来比 RDD 更高级，而且往往会生成更易读的代码。

在一个 14 节点 Google Dataproc 集群中，我有大约 600 万个名称被两个不同的系统转换为 ID：sa 和 sb。每个 Row 包含 name、id_sa 和 id_sb。我的目标是生成一个从 id_sa 到 id_sb 的映射，这样对于每个 id_sa，对应的 id_sb 是附加到 [=16= 的所有名称中最常见的 ID ].

让我们试着用一个例子来说明。如果我有以下行：

[Row(name='n1', id_sa='a1', id_sb='b1'),
 Row(name='n2', id_sa='a1', id_sb='b2'),
 Row(name='n3', id_sa='a1', id_sb='b2'),
 Row(name='n4', id_sa='a2', id_sb='b2')]

我的目标是生成从 a1 到 b2 的映射。实际上，与 a1 关联的名称是 n1、n2 和 n3，它们分别映射到 b1、b2 和 b2，因此 b2 是与 a1 关联的名称中最频繁的映射。同理，a2会映射到b2。可以假设总会有赢家：不需要打破平局。

我希望我可以在我的数据框上使用 groupBy(df.id_sa)，但我不知道下一步该怎么做。我希望最终可以生成以下行的聚合：

[Row(id_sa=a1, max_id_sb=b2),
 Row(id_sa=a2, max_id_sb=b2)]

但也许我正在尝试使用错误的工具，我应该回去使用 RDD。

Answer 1

使用join（在并列的情况下会导致组中多行）：

import pyspark.sql.functions as F
from pyspark.sql.functions import count, col 

cnts = df.groupBy("id_sa", "id_sb").agg(count("*").alias("cnt")).alias("cnts")
maxs = cnts.groupBy("id_sa").agg(F.max("cnt").alias("mx")).alias("maxs")

cnts.join(maxs, 
  (col("cnt") == col("mx")) & (col("cnts.id_sa") == col("maxs.id_sa"))
).select(col("cnts.id_sa"), col("cnts.id_sb"))

使用 window 函数（将取消联系）：

from pyspark.sql.functions import row_number
from pyspark.sql.window import Window

w = Window().partitionBy("id_sa").orderBy(col("cnt").desc())

(cnts
  .withColumn("rn", row_number().over(w))
  .where(col("rn") == 1)
  .select("id_sa", "id_sb"))

使用 struct 排序：

from pyspark.sql.functions import struct

(cnts
  .groupBy("id_sa")
  .agg(F.max(struct(col("cnt"), col("id_sb"))).alias("max"))
  .select(col("id_sa"), col("max.id_sb")))

另见

Answer 2

我认为您可能正在寻找 window 函数： http://spark.apache.org/docs/latest/api/python/pyspark.sql.html?highlight=window#pyspark.sql.Window

https://databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html

这是 Scala 中的一个示例（我现在没有带 Hive 的 Spark Shell，所以我无法测试代码，但我认为它应该可以工作）：

case class MyRow(name: String, id_sa: String, id_sb: String)

val myDF = sc.parallelize(Array(
    MyRow("n1", "a1", "b1"),
    MyRow("n2", "a1", "b2"),
    MyRow("n3", "a1", "b2"),
    MyRow("n1", "a2", "b2")
)).toDF("name", "id_sa", "id_sb")

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

val windowSpec = Window.partitionBy(myDF("id_sa")).orderBy(myDF("id_sb").desc)

myDF.withColumn("max_id_b", first(myDF("id_sb")).over(windowSpec).as("max_id_sb")).filter("id_sb = max_id_sb")

可能有更有效的方法可以使用 Window 函数实现相同的结果，但我希望这能为您指明正确的方向。

在 Spark DataFrame 中查找每组的最大行数

Find maximum row per group in Spark DataFrame

apache-spark

apache-spark-sql

pyspark