无法使用Spark中的Window函数过滤DataFrame

Question

我尝试使用基于窗口函数的逻辑表达式来检测重复记录：

df
.where(count("*").over(Window.partitionBy($"col1",$"col2"))>lit(1))
.show

这给出了Spark 2.1.1：

java.lang.ClassCastException: org.apache.spark.sql.catalyst.plans.logical.Project cannot be cast to org.apache.spark.sql.catalyst.plans.logical.Aggregate

另一方面，如果我将window函数的结果分配给新列，然后过滤该列，则它可以工作：

df
.withColumn("count", count("*").over(Window.partitionBy($"col1",$"col2"))
.where($"count">lit(1)).drop($"count")
.show

我不知道如何在不使用临时列的情况下编写此代码？

Answer 1

我猜想窗口函数不能在过滤器内使用。您必须创建一个附加列并过滤这一列。

您可以做的是将窗口函数绘制到选择中。

df.select(col("1"), col("2"), lag(col("2"), 1).over(window).alias("2_lag"))).filter(col("2_lag")==col("2"))

然后你就可以在一份声明中得到它。