Spark：如何在列上捕获列转换和 groupby

Question

id	value	prevValue	indicator
1	emp1	null	1
2	emp2	emp1	2
3	emp1	emp2	3
4	emp1	emp1	3
5	emp3	emp1	4
6	emp3	emp3	4
7	emp1	emp3	5
8	emp2	emp1	6
9	emp2	emp2	6
10	emp2	emp2	6

假设这整组行在一个会话中window 我使用滞后函数创建了 prevValue 列 lag("value", 1).over(sessionWindow).as("prevValue").

我想创建 table 中显示的指标列，但还没有成功。

当上一行的值与当前行的值不同时，值就会发生转变，每当发生转变时，指示器行就会递增 1，否则与前一行保持相同。

创建指标列的主要原因是稍后对指标进行分组。

这是我试图创建列的方法，但这不起作用。任何解决此问题的帮助将不胜感激。

.withColumn("indicator", when(col("prevValue").isNull, 1).otherwise(0))
.withColumn("indicator", 
  when(col("value") =!= col("prevValue"), lag("indicator", 1).over(sessionWindow) + 1)
  .otherwise(lag("indicator", 1, 1).over(sessionWindow)))

Answer 1

val indWindow = Window.orderBy("id")
val sumWIndow = Window.orderBy("id").rowsBetween(Window.unboundedPreceding, Window.currentRow)
df.withColumn("changed", when(col("value") =!= lag(col("value"), 1).over(indWindow), 1).otherwise(0))
  .withColumn("group", sum("changed").over(sumWIndow))

产生：

+---+-----+-------+-----+
| id|value|changed|group|
+---+-----+-------+-----+
|  1|    a|      0|    0|
|  2|    a|      0|    0|
|  3|    b|      1|    1|
|  3|    c|      1|    2|
|  4|    c|      0|    2|
|  5|    c|      0|    2|
+---+-----+-------+-----+

注意：这是一个性能非常低效的解决方案，因为 Spark 必须将所有行放在同一个分区中。您是否有任何列可以对数据进行分区？

Spark：如何在列上捕获列转换和 groupby

Spark: How to capture column transition and groupby on the column

scala

apache-spark

apache-spark-sql

window-functions