如何在 Scala 和 Spark 中使用 countDistinct？

Question

我已经尝试使用 countDistinct 函数，根据 DataBrick's blog，它应该在 Spark 1.5 中可用。但是，我得到以下异常：

Exception in thread "main" org.apache.spark.sql.AnalysisException: undefined function countDistinct;

我发现在 Spark developers' mail list 他们建议使用 count 和 distinct 函数来获得相同的结果由 countDistinct:

生成

count(distinct <columnName>)
// Instead
countDistinct(<columnName>)

因为我从聚合函数的名称列表中动态构建聚合表达式，所以我不希望有任何需要不同处理的特殊情况。

所以，是否可以通过以下方式统一它：

正在注册新的 UDAF，它将成为 count(distinct columnName)
手动注册已在 Spark CountDistinct 函数中实现，这可能是以下导入的一个：

导入org.apache.spark.sql.catalyst.expressions.{CountDistinctFunction, CountDistinct}
或以任何其他方式进行？

编辑：示例（删除了一些本地引用和不必要的代码）：

import org.apache.spark.SparkContext
import org.apache.spark.sql.{Column, SQLContext, DataFrame}
import org.apache.spark.sql.functions._

import scala.collection.mutable.ListBuffer


class Flattener(sc: SparkContext) {
  val sqlContext = new SQLContext(sc)

  def flatTable(data: DataFrame, groupField: String): DataFrame = {
    val flatteningExpressions = data.columns.zip(TypeRecognizer.getTypes(data)).
      flatMap(x => getFlatteningExpressions(x._1, x._2)).toList

    data.groupBy(groupField).agg (
      expr(s"count($groupField) as groupSize"),
      flatteningExpressions:_*
    )
  }

  private def getFlatteningExpressions(fieldName: String, fieldType: DType): List[Column] = {
    val aggFuncs = getAggregationFunctons(fieldType)

    aggFuncs.map(f => expr(s"$f($fieldName) as ${fieldName}_$f"))
  }

  private def getAggregationFunctons(fieldType: DType): List[String] = {
    val aggFuncs = new ListBuffer[String]()

    if(fieldType == DType.NUMERIC) {
      aggFuncs += ("avg", "min", "max")
    }

    if(fieldType == DType.CATEGORY) {
      aggFuncs += "countDistinct"
    }

    aggFuncs.toList
  }

}

Answer 1

不确定我是否真的理解你的问题，但这是 countDistinct 聚合函数的示例：

val values = Array((1, 2), (1, 3), (2, 2), (1, 2))
val myDf = sc.parallelize(values).toDF("id", "foo")
import org.apache.spark.sql.functions.countDistinct
myDf.groupBy('id).agg(countDistinct('foo) as 'distinctFoo) show
/**
+---+-------------------+
| id|COUNT(DISTINCT foo)|
+---+-------------------+
|  1|                  2|
|  2|                  1|
+---+-------------------+
*/

Answer 2

countDistinct 可以以两种不同的形式使用：

df.groupBy("A").agg(expr("count(distinct B)")

或

df.groupBy("A").agg(countDistinct("B"))

但是，当您想在自定义 UDAF 的同一列上使用这些方法时，这两种方法都不起作用（在 Spark 1.5 中作为 UserDefinedAggregateFunction 实现）：

// Assume that we have already implemented and registered StdDev UDAF 
df.groupBy("A").agg(countDistinct("B"), expr("StdDev(B)"))

// Will cause
Exception in thread "main" org.apache.spark.sql.AnalysisException: StdDev is implemented based on the new Aggregate Function interface and it cannot be used with functions implemented based on the old Aggregate Function interface.;

由于这些限制，看起来最合理的做法是将 countDistinct 实现为 UDAF，它应该允许以相同的方式处理所有函数以及将 countDistinct 与其他 UDAF 一起使用。

示例实现如下所示：

import org.apache.spark.sql.Row
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._

class CountDistinct extends UserDefinedAggregateFunction{
  override def inputSchema: StructType = StructType(StructField("value", StringType) :: Nil)

  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    buffer(0) = (buffer.getSeq[String](0).toSet + input.getString(0)).toSeq
  }

  override def bufferSchema: StructType = StructType(
      StructField("items", ArrayType(StringType, true)) :: Nil
  )

  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) = (buffer1.getSeq[String](0).toSet ++ buffer2.getSeq[String](0).toSet).toSeq
  }

  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = Seq[String]()
  }

  override def deterministic: Boolean = true

  override def evaluate(buffer: Row): Any = {
    buffer.getSeq[String](0).length
  }

  override def dataType: DataType = IntegerType
}

如何在 Scala 和 Spark 中使用 countDistinct？

How to use countDistinct in Scala with Spark?

scala

user-defined-functions

apache-spark-sql