在多个列上应用自定义 Spark 聚合器 (Spark 2.0)

Question

我为字符串创建了自定义 Aggregator[]。

我想将它应用于 DataFrame 的所有列，其中所有列都是字符串，但列号是任意的。

我一直在写正确的表达方式。我想写这样的东西：

df.agg( df.columns.map( c => myagg(df(c)) ) : _*)

考虑到各种接口，这显然是错误的。

我查看了 RelationalGroupedDataset.agg(expr: Column, exprs: Column*) 代码，但我不熟悉表达式操作。

有什么想法吗？

Answer 1

与对单个字段（列）进行操作的 UserDefinedAggregateFunctions 相比，Aggregtors 需要完整的 Row / 值。

如果你想要 Aggregator 可以在你的代码段中使用，它必须由列名参数化并使用 Row 作为值类型。

import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{Encoder, Encoders, Row}

case class Max(col: String) 
    extends Aggregator[Row, Int, Int] with Serializable {

  def zero = Int.MinValue
  def reduce(acc: Int, x: Row) =
    Math.max(acc, Option(x.getAs[Int](col)).getOrElse(zero))

  def merge(acc1: Int, acc2: Int) = Math.max(acc1, acc2)
  def finish(acc: Int) = acc

  def bufferEncoder: Encoder[Int] = Encoders.scalaInt
  def outputEncoder: Encoder[Int] = Encoders.scalaInt
}

用法示例：

val df = Seq((1, None, 3), (4, Some(5), -6)).toDF("x", "y", "z")

@transient val exprs = df.columns.map(c => Max(c).toColumn.alias(s"max($c)"))

df.agg(exprs.head, exprs.tail: _*)

+------+------+------+
|max(x)|max(y)|max(z)|
+------+------+------+
|     4|     5|     3|
+------+------+------+

可以说 Aggregators 与静态类型 Datasets 结合使用比 Dataset<Row>.

更有意义

根据您的要求，您还可以使用 Seq[_] 累加器一次聚合多个列，并在单个 merge 调用中处理整个 Row（记录）。

在多个列上应用自定义 Spark 聚合器 (Spark 2.0)

Apply a custom Spark Aggregator on multiple columns (Spark 2.0)

aggregate-functions

user-defined-functions

apache-spark

apache-spark-sql