如何循环遍历数据集以创建摘要数据集

Question

我刚刚开始学习和使用Spark，目前遇到一个问题。任何建议或提示将不胜感激。

基本上我有一个数据集，其中包含不同用户的各种事件，如 AppLaunch、GameStart、GameEnd 等，我想创建每个用户每次 he/she 启动时的操作摘要应用

例如：我有以下数据集：
UserId | Event Type | Time | GameType | Event Id|
11111 | AppLauch | 11:01:53| null | 101 |
11111 | GameStart | 11:01:59| Puzzle | 102 |
11111 | GameEnd | 11:05:31| Puzzle | 103 |
11111 | GameStart | 11:05:58| Word | 104 |
11111 | GameEnd | 11:09:13| Word | 105 |
11111 | AppEnd | 11:09:24| null | 106 |
11111 | AppLauch | 12:03:43| null | 107 |
22222 | AppLauch | 12:03:52| null | 108 |
22222 | GameStart | 12:03:59| Puzzle | 109 |
11111 | GameStart | 12:04:01| Puzzle | 110 |
22222 | GameEnd | 12:06:11| Puzzle | 111 |
11111 | GameEnd | 12:06:13| Puzzle | 112 |
11111 | AppEnd | 12:06:23| null | 113 |
22222 | AppEnd | 12:06:33| null | 114 |

只需要知道玩的第一场和最后一场比赛，即使在一次应用启动中玩了超过 3 场比赛。

我最初的想法是按用户 Id 和 window 时间范围（AppLaunch 到 AppEnd）将它们分组，然后找到一种方法扫描数据集，如果有 gameStart 事件并且它落下进入任何 window，它将是 FirstGamePlayed，AppEnd 时间之前的最后一个 GameStart 事件将是 LastGamePlayed。但是我没有找到实现这个的方法。

任何 hint/suggestion 都很好。

谢谢

Answer 1

我认为这可以使用 window 函数然后像这样进行聚合来解决：

df
   // enumerate AppLaunches 
   .withColumn("AppLauchNr", sum(when($"EventType" === "AppLauch", 1)).over(Window.partitionBy($"UserId").orderBy($"Time".asc)))
   // get first last game per AppLaunch
   .withColumn("firstGamePlayed", first($"GameType", true).over(Window.partitionBy($"UserId", $"AppLauchNr").orderBy($"Time".asc)))
   .withColumn("lastGamePlayed", first($"GameType", true).over(Window.partitionBy($"UserId", $"AppLauchNr").orderBy($"Time".desc)))
    // now aggregate
   .groupBy($"AppLauchNr")
   .agg(
        first($"UserId").as("UserId"),
        min($"EventId").as("EventId"),
        lit("AppLauch").as("EventType"), // this is always AppLauch
        min($"Time").as("Time"),
        first($"firstGamePlayed", true).as("firstGamePlayed"),
        first($"lastGamePlayed", true).as("lastGamePlayed")
   )
  .drop($"AppLauchNr")

第一个和最后一个游戏也可以使用 orderBy().groupBy() 而不是 window 函数来确定，但我仍然不确定 spark 在聚合期间保留顺序（这在文档，请参见 and discussion in https://issues.apache.org/jira/browse/SPARK-16207)

 df
   .withColumn("AppLauchNr", sum(when($"EventType" === "AppLauch", 1)).over(Window.partitionBy($"UserId").orderBy($"Time".asc)))
   .orderBy($"UserId",$"AppLauchNr",$"Time")
   .groupBy($"UserId",$"AppLauchNr")
   .agg(
        first($"EventId").as("EventId"),
        first($"EventType").as("EventType"),
        first($"Time").as("Time"),
        first($"GameType", true).as("firstGamePlayed"),
        last($"GameType", true).as("lastGamePlayed")
   )
   .drop($"AppLauchNr")

如何循环遍历数据集以创建摘要数据集

How to loop through dataset to create a dataset of summary

apache-spark

spark-dataframe