使用 Spark 转换构建派生列

Question

我得到了一条 table 记录，如下所述。

Id   Indicator     Date
1       R       2018-01-20
1       R       2018-10-21
1       P       2019-01-22
2       R       2018-02-28
2       P       2018-05-22
2       P       2019-03-05

我需要选择在过去一年中有两个以上 R 指标的 Ids 并派生一个名为 Marked_Flag 的新列作为 Y 否则N。所以预期的输出应该如下所示，

Id  Marked_Flag 
1   Y
2   N

所以我到目前为止所做的是，我将记录放入一个数据集中，然后再次从中构建另一个数据集。代码如下所示。

Dataset<row> getIndicators = spark.sql("select id, count(indicator) as indi_count from source group by id having indicator = 'R'");

Dataset<row>getFlag = spark.sql("select id, case when indi_count > 1 then 'Y' else 'N' end as Marked_Flag" from getIndicators");

但我领导使用单个数据集和使用 Spark 转换来完成这项工作。我是 Spark 的新手，关于这方面的任何指导或代码片段都会非常有帮助。

创建了两个数据集，一个用于获取聚合，另一个使用聚合值派生新列。

Dataset<row> getIndicators = spark.sql("select id, count(indicator) as indi_count from source group by id having indicator = 'R'");

Dataset<row>getFlag = spark.sql("select id, case when indi_count > 1 then 'Y' else 'N' end as Marked_Flag" from getIndicators");

Input

Expected output

Answer 1

尝试以下操作。请注意，我在这里使用的是 pyspark DataFrame

from pyspark.sql import SparkSession
import pyspark.sql.functions as F
spark = SparkSession.builder.getOrCreate()
df = spark.createDataFrame([
[1, "R", "2018-01-20"],
[1, "R", "2018-10-21"],
[1, "P", "2019-01-22"],
[2, "R", "2018-02-28"],
[2, "P", "2018-05-22"],
[2, "P", "2019-03-05"]], ["Id", "Indicator","Date"])

gr = df.filter(F.col("Indicator")=="R").groupBy("Id").agg(F.count("Indicator"))
gr = gr.withColumn("Marked_Flag", F.when(F.col("count(Indicator)") > 1, "Y").otherwise('N')).drop("count(Indicator)")
gr.show()

# +---+-----------+
# | Id|Marked_Flag|
# +---+-----------+
# |  1|          Y|
# |  2|          N|
# +---+-----------+
#

使用 Spark 转换构建派生列

Building derived column using Spark transformations

apache-spark

hive

pyspark

hadoop2