Spark Dataframe/数据集：通用条件累积和

Question

我有一个数据框，它有一些属性（C1 到 C2）、一个偏移量（以天为单位）和一些值（V1、V2）。

val inputDF= spark.sparkContext.parallelize(Seq((1,2,30, 100, -1),(1,2,30, 100, 0), (1,2,30, 100, 1),(11,21,30, 100, -1),(11,21,30, 100, 0), (11,21,30, 100, 1)), 10).toDF("c1", "c2", "v1", "v2", "offset")
inputDF: org.apache.spark.sql.DataFrame = [c1: int, c2: int ... 3 more fields]

scala> inputDF.show
+---+---+---+---+------+
| c1| c2| v1| v2|offset|
+---+---+---+---+------+
|  1|  2| 30|100|    -1|
|  1|  2| 30|100|     0|
|  1|  2| 30|100|     1|
| 11| 21| 30|100|    -1|
| 11| 21| 30|100|     0|
| 11| 21| 30|100|     1|
+---+---+---+---+------+

我需要做的是计算(c1,c2) 跨偏移量的V1、V2 的累积和。

我试过了，但这与适用于任何数据框的通用解决方案相去甚远。

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

val groupKey = List("c1", "c2").map(x => col(x.trim))
val orderByKey = List("offset").map(x => col(x.trim))

val w = Window.partitionBy(groupKey: _*).orderBy(orderByKey: _*)

val outputDF = inputDF
  .withColumn("cumulative_v1", sum(inputDF("v1")).over(w))
  .withColumn("cumulative_v2", sum(inputDF("v2")).over(w))

+---+---+---+---+------+----------------------------
| c1| c2| v1| v2|offset|cumulative_v1| cumulative_v2|
+---+---+---+---+------+-------------|--------------|
|  1|  2| 30|100|    -1|30           | 100          |
|  1|  2| 30|100|     0|60           | 200          |
|  1|  2| 30|100|     1|90           | 300          |
| 11| 21| 30|100|    -1|30           | 100          |
| 11| 21| 30|100|     0|60           | 200          |
| 11| 21| 30|100|     1|90           | 300          |
+---+---+---+---+------+-----------------------------

挑战是[a]我需要跨多个不同的偏移量windows（-1到1），（-10到10），（-30到30）或任何其他[ b] 我需要在多个数据帧/数据集中使用这个函数，所以我希望有一个可以在 RDD/数据集中工作的通用函数。

关于如何在 Spark 2.0 中实现这一点有什么想法吗？

非常感谢您的帮助。谢谢！

Answer 1

这是仅使用数据帧的原始拍摄。

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

val groupKey = List("c1", "c2").map(x => col(x.trim))
val orderByKey = List("offset").map(x => col(x.trim))

val w = Window.partitionBy(groupKey: _*).orderBy(orderByKey: _*)

val inputDF= spark
  .sparkContext
  .parallelize(Seq((1,2,30, 100, -1),(1,2,3, 100, -2),(1,2,140, 100, 2),(1,2,30, 100, 0), (1,2,30, 100, 1),(11,21,30, 100, -1),(11,21,30, 100, 0), (11,21,30, 100, 1)), 10)
  .toDF("c1", "c2", "v1", "v2", "offset")

val outputDF = inputDF
  .withColumn("cumulative_v1", sum(when($"offset".between(-1, 1), inputDF("v1")).otherwise(0)).over(w))
  .withColumn("cumulative_v3", sum(when($"offset".between(-2, 2), inputDF("v1")).otherwise(0)).over(w))
  .withColumn("cumulative_v2", sum(inputDF("v2")).over(w))

这会在单个 'value' 上针对不同的 windows 生成累积和。

scala> outputDF.show
+---+---+---+---+------+-------------+-------------+-------------+              
| c1| c2| v1| v2|offset|cumulative_v1|cumulative_v3|cumulative_v2|
+---+---+---+---+------+-------------+-------------+-------------+
|  1|  2|  3|100|    -2|            0|            0|          100|
|  1|  2| 30|100|    -1|           30|           30|          200|
|  1|  2| 30|100|     0|           60|           60|          300|
|  1|  2| 30|100|     1|           90|           90|          400|
|  1|  2|140|100|     2|           90|           90|          500|
| 11| 21| 30|100|    -1|           30|           30|          100|
| 11| 21| 30|100|     0|           60|           60|          200|
| 11| 21| 30|100|     1|           90|           90|          300|
+---+---+---+---+------+-------------+-------------+-------------+

这种方法的一些缺点 - [1] 对于每个条件 window (-1,1), (-2,2) 或任何 (from_offset, to_offset)，需要单独调用 sum()。 [2] 这不是通用函数。

我知道 spark 接受像这样的聚合函数的可变列列表 -

val exprs = Map("v1" -> "sum", "v2" -> "sum")

但我不确定如何为具有可变条件的 window 函数扩展它。我仍然很好奇是否有更好的模块化/可重用函数可以编写来解决这个问题。

Answer 2

解决此问题的另一种通用方法是使用 foldLeft，如此处所述 -

Spark Dataframe/数据集：通用条件累积和

Spark Dataframe/ Dataset: Generic Conditional cumulative sum

scala

apache-spark

apache-spark-sql

spark-dataframe

apache-spark-dataset