如何有效率地選擇 Spark DataFrame 中每組中具有最高值的第一行？

如何選擇每組的首頁

目標是從DataFrame的每組中提取具有最高值的首頁。在分析數據趨勢或識別特定類別中的頂級參與者時，經常會遇到這種情況。為了實現這一點，可以使用幾種方法：

視窗函數：

視窗函數提供了一種在群組內執行計算的方法。在這種情況下，我們可以使用row_number()函數根據指定的排序為每一行分配一個序號。然後可以透過過濾排名為1來識別首頁。

import org.apache.spark.sql.functions.{row_number, max, broadcast}
import org.apache.spark.sql.expressions.Window

val df = sc.parallelize(Seq(
  (0,"cat26",30.9), (0,"cat13",22.1), (0,"cat95",19.6), (0,"cat105",1.3),
  (1,"cat67",28.5), (1,"cat4",26.8), (1,"cat13",12.6), (1,"cat23",5.3),
  (2,"cat56",39.6), (2,"cat40",29.7), (2,"cat187",27.9), (2,"cat68",9.8),
  (3,"cat8",35.6))).toDF("Hour", "Category", "TotalValue")

val w = Window.partitionBy($"hour").orderBy($"TotalValue".desc)

val dfTop = df.withColumn("rn", row_number.over(w)).where($"rn" === 1).drop("rn")

dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// |   0|   cat26|      30.9|
// |   1|   cat67|      28.5|
// |   2|   cat56|      39.6|
// |   3|    cat8|      35.6|
// +----+--------+----------+

簡單的SQL聚合後連接：

或者，我們可以使用SQL執行聚合，然後將結果與原始DataFrame連接以提取每組的首頁。

val dfMax = df.groupBy($"hour".as("max_hour")).agg(max($"TotalValue").as("max_value"))

val dfTopByJoin = df.join(broadcast(dfMax),
    ($"hour" === $"max_hour") && ($"TotalValue" === $"max_value"))
  .drop("max_hour")
  .drop("max_value")

dfTopByJoin.show

// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// |   0|   cat26|      30.9|
// |   1|   cat67|      28.5|
// |   2|   cat56|      39.6|
// |   3|    cat8|      35.6|
// +----+--------+----------+

使用結構體排序：

無需使用視窗函數或連接即可獲得相同結果的簡潔方法是根據包含值和類別的結構體對資料進行排序。然後，此結構體的最大值將傳回每組所需的首頁。

val dfTop = df.select($"Hour", struct($"TotalValue", $"Category").alias("vs"))
  .groupBy($"hour")
  .agg(max("vs").alias("vs"))
  .select($"Hour", $"vs.Category", $"vs.TotalValue")

dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// |   0|   cat26|      30.9|
// |   1|   cat67|      28.5|
// |   2|   cat56|      39.6|
// |   3|    cat8|      35.6|
// +----+--------+----------+

以上是如何有效率地選擇 Spark DataFrame 中每組中具有最高值的第一行？的詳細內容。更多資訊請關注PHP中文網其他相關文章！