如何在Spark数据帧中分组和聚合后过滤？

Question

我有一个带有架构的火花数据帧df，如下所示：

[id:string, label:string, tags:string]

id | label | tag
---|-------|-----
 1 | h     | null
 1 | w     | x
 1 | v     | null
 1 | v     | x
 2 | h     | x
 3 | h     | x
 3 | w     | x
 3 | v     | null
 3 | v     | null
 4 | h     | null
 4 | w     | x
 5 | w     | x

（h、w、v 是标签。x 可以是任何非空值）

对于每个 id，最多有一个标签“h”或“w”，但可能有多个“v”。我想选择满足以下条件的所有 id：

每个 id 具有： 1. 一个标签“h”及其标签 = null，2. 一个标签“w”及其标签 != null，3. 每个 id 至少有一个标签“v”。

我想我需要创建三列检查上述每个条件。然后我需要按“id”做一个组。

val hCheck = (label: String, tag: String) => {if (label=="h" && tag==null) 1 else 0}
val udfHCheck = udf(hCheck)
val wCheck = (label: String, tag: String) => {if (label=="w" && tag!=null) 1 else 0}
val udfWCheck = udf(wCheck)
val vCheck = (label: String) => {if (label==null) 1 else 0}
val udfVCheck = udf(vCheck)

dfx = df.withColumn("hCheck", udfHCheck(col("label"), col("tag")))
        .withColumn("wCheck", udfWCheck(col("label"), col("tag")))
        .withColumn("vCheck", udfVCheck(col("label")))
        .select("id","hCheck","wCheck","vCheck")
        .groupBy("id")

不知何故，我需要将三列 {"hCheck","wCheck","vCheck"} 分组为列表 [x,0,0],[0,x,0],[0,0,x] 的向量。并检查这些向量是否包含所有三个 {[1,0,0],[0,1,0],[0,0,1]}

我还没有能够解决这个问题。并且可能有比这个更好的方法。希望有人能给我建议。谢谢

Answer 1

要将三个检查转换为向量，您可以执行以下操作：具体来说，您可以执行以下操作：

val df1 = df.withColumn("hCheck", udfHCheck(col("label"), col("tag")))
            .withColumn("wCheck", udfWCheck(col("label"), col("tag")))
            .withColumn("vCheck", udfVCheck(col("label")))
            .select($"id",array($"hCheck",$"wCheck",$"vCheck").as("vec"))

接下来 groupby 返回一个需要对其执行聚合的分组对象。特别是要获得所有向量，您应该执行以下操作：

    .groupBy("id").agg(collect_list($"vec"))

此外，您不需要 udfs 进行各种检查。您可以使用列语义来做到这一点。例如 udfHCheck 可以写成：

with($"label" == lit("h") && tag.isnull 1).otherwise(0)

顺便说一句，你说你想要一个标签“v”，但在 vcheck 中你只检查标签是否为空。

更新：替代解决方案

再次查看这个问题时，我会做这样的事情：

val grouped = df.groupBy("id", "label").agg(count("$label").as("cnt"), first($"tag").as("tag"))
val filtered1 = grouped.filter($"label" === "v" || $"cnt" === 1)
val filtered2 = filtered.filter($"label" === "v" || ($"label" === "h" && $"tag".isNull) || ($"label" === "w" && $"tag".isNotNull))
val ids = filtered2.groupBy("id").count.filter($"count" === 3)

这个想法是首先我们对 id 和 label 进行分组，以便我们获得有关组合的信息。我们收集的信息是有多少个值 (cnt) 和第一个元素（与哪个无关）。

现在我们执行两个过滤步骤： 1. 我们正好需要一个 h 和一个 w 以及任意数量的 v，因此第一个过滤器为我们提供了这些情况。2. 我们确保每个案例都符合所有规则。

现在我们只有匹配规则的 id 和 label 的组合，所以为了使 id 合法，我们需要正好有三个 label 实例。这导致第二个 groupby，它简单地计算与规则匹配的标签数量。我们只需要三个是合法的（即匹配所有规则）。