Spark：如何在 Dataframe API 中翻译 count(distinct(value))

Question

我正在尝试比较聚合数据的不同方法。

这是我的输入数据，包含 2 个元素（页面、访问者）：

(PAG1,V1)
(PAG1,V1)
(PAG2,V1)
(PAG2,V2)
(PAG2,V1)
(PAG1,V1)
(PAG1,V2)
(PAG1,V1)
(PAG1,V2)
(PAG1,V1)
(PAG2,V2)
(PAG1,V3)

使用以下代码将 SQL 命令用于 Spark SQL：

import sqlContext.implicits._
case class Log(page: String, visitor: String)
val logs = data.map(p => Log(p._1,p._2)).toDF()
logs.registerTempTable("logs")
val sqlResult= sqlContext.sql(
                              """select page
                                       ,count(distinct visitor) as visitor
                                   from logs
                               group by page
                              """)
val result = sqlResult.map(x=>(x(0).toString,x(1).toString))
result.foreach(println)

我得到这个输出：

(PAG1,3) // PAG1 has been visited by 3 different visitors
(PAG2,2) // PAG2 has been visited by 2 different visitors

现在，我想使用 Dataframes 和他们 API 获得相同的结果，但我无法获得相同的输出：

import sqlContext.implicits._
case class Log(page: String, visitor: String)
val logs = data.map(p => Coppia(p._1,p._2)).toDF()
val result = log.select("page","visitor").groupBy("page").count().distinct
result.foreach(println)

事实上，这就是我得到的输出：

[PAG1,8]  // just the simple page count for every page
[PAG2,4]

Answer 1

你需要的是DataFrame聚合函数countDistinct:

import sqlContext.implicits._
import org.apache.spark.sql.functions._

case class Log(page: String, visitor: String)

val logs = data.map(p => Log(p._1,p._2))
            .toDF()

val result = logs.select("page","visitor")
            .groupBy('page)
            .agg('page, countDistinct('visitor))

result.foreach(println)

Answer 2

您可以使用 dataframe 的 groupBy 命令两次来执行此操作。这里，df1 是您的原始输入。

val df2 = df1.groupBy($"page",$"visitor").agg(count($"visitor").as("count"))

此命令将产生以下结果：

page  visitor  count
----  ------   ----
PAG2    V2       2
PAG1    V3       1
PAG1    V1       5
PAG1    V2       2
PAG2    V1       2

然后再次使用groupBy命令得到最终结果

 df2.groupBy($"page").agg(count($"visitor").as("count"))

最终输出：

page   count
----   ----
PAG1    3
PAG2    2

Answer 3

我认为在较新版本的 Spark 中它更容易。下面是用2.4.0测试的。 1. 首先，为样本创建一个数组。

val myArr = Array(
      ("PAG1","V1"),
      ("PAG1","V1"),
      ("PAG2","V1"),
      ("PAG2","V2"),
      ("PAG2","V1"),
      ("PAG1","V1"),
      ("PAG1","V2"),
      ("PAG1","V1"),
      ("PAG1","V2"),
      ("PAG1","V1"),
      ("PAG2","V2"),
      ("PAG1","V3")
    )

2。创建数据框

val logs = spark.createDataFrame(myArr)
    .withColumnRenamed("_1","page")
    .withColumnRenamed("_2","visitor")

3。现在使用 distinctCount spark sql 函数

进行聚合

import org.apache.spark.sql.{functions => F}
logs.groupBy("page").agg(
    F.countDistinct("visitor").as("visitor"))
    .show()

4。预期结果：

+----+-------+
|page|visitor|
+----+-------+
|PAG1|      3|
|PAG2|      2|
+----+-------+

Answer 4

如果要显示列的不同值，请使用此选项

display(sparkDF.select('columnName').distinct())

Spark：如何在 Dataframe API 中翻译 count(distinct(value))

Spark: How to translate count(distinct(value)) in Dataframe API's

count

distinct

dataframe

apache-spark

apache-spark-sql