如何在Spark数据集中的列取整？

Question

使用Scala Spark，如何使用类型化的数据集API舍入聚合列？

另外，如何通过groupby操作保留数据集的类型？

这是我目前拥有的：

case class MyRow(
  k1: String,
  k2: String,
  c1: Double,
  c2: Double
)

def groupTyped(ds: Dataset[MyRow]): Dataset[MyRow] = {
import org.apache.spark.sql.expressions.scalalang.typed._
ds.groupByKey(row => (row.k1, row.k2))
  .agg(
    avg(_.c1),
    avg(_.c2)
  )
  .map(r => MyRow(r._1._1, r._1._2, r._2, r._3))
}

1. 如果我将替换为avg(_.c1)，则会round(avg(_.c1))出现类型错误。四舍五入的正确方法是什么？
2. 这.map(...)行感觉不对-有没有更优雅的方法来保留我的数据集的类型？

谢谢！

Answer 1

虽然可接受的答案有效且更笼统，但在这种情况下，您也可以使用回合。您只需要在四舍五入后使用来键入列.as[T]（也需要将类型定义为avg）。

.agg(
  // Alternative ways to define a type to avg
  round(avg((r: MyRow) => r.c1)).as[Double],
  round(avg[MyRow](_.c2)).as[Double]
)

Answer 2

round在类型错误上使用确实失败，因为agg期望类型TypedColumn[IN, OUT]和轮次的聚合函数提供Column（适用于数据帧）。

这里你需要的是一个舍入平均聚合函数，它没有提供org.apache.spark.sql.expressions.scalalang.typed._- 但你可以通过扩展执行平均聚合的类轻松地自己创建一个：

// Extend TypedAverage - round the result before returning it
class TypedRoundAverage[IN](f: IN => Double) extends TypedAverage[IN](f) {
  override def finish(reduction: (Double, Long)): Double = math.round(super.finish(reduction))
}

// A nice wrapper to create the TypedRoundAverage for a given function  
def roundAvg[IN](f: IN => Double): TypedColumn[IN, Double] = new TypedRoundAverage(f).toColumn

// Now you can use "roundAvg" instead of "round"  
def groupTyped(ds: Dataset[MyRow]): Dataset[MyRow] = {
  ds.groupByKey(row => (row.k1, row.k2))
    .agg(
      roundAvg(_.c1),
      roundAvg(_.c2)
    )
    .map { case ((k1, k2), c1, c2) => MyRow(k1, k2, c1, c2) } // just a nicer way to put it
}

我看不到摆脱map操作的方法，因为 group-by 必然返回一个元组，但可以使用模式匹配使其更好一些