web-dev-qa-db-fra.com

Spark: Comment traduire le nombre (distinct (valeur)) dans les API Dataframe

J'essaie de comparer différentes façons d'agréger mes données.

Voici mes données d'entrée avec 2 éléments (page, visiteur):

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

Travailler avec une commande SQL dans Spark SQL avec ce code:

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)

J'obtiens cette sortie:

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

Maintenant, je voudrais obtenir le même résultat en utilisant Dataframes et leur API, mais je ne peux pas obtenir la même sortie:

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)

En fait, c'est ce que j'obtiens en sortie:

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

C'est probablement quelque chose de stupide, mais je ne le vois pas pour le moment.

Merci d'avance!

FF

countapache-sparkdistinctdataframeapache-spark-sql
26
Fabio Fantoni

Ce dont vous avez besoin est la fonction d'agrégation DataFrame 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)
49
yjshen

Pour ce faire, vous pouvez utiliser la commande groupBy de dataframe deux fois. Ici, df1 est votre entrée d'origine.

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

Cette commande produirait le résultat suivant:

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

Ensuite, utilisez à nouveau la commande groupBy pour obtenir le résultat final.

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

Sortie finale:

page   count
----   ----
PAG1    3
PAG2    2
2
Abu Shoeb