Scala Spark collect_list（）与array（）

Question

使用scala collect_list()和array()spark 之间有什么区别？

我看到了各地的用途，用例对我来说尚不清楚，无法确定差异。

Answer 1

尽管双方array并collect_list返回一个ArrayType列，这两种方法都非常不同。

方法array将“多列”组合成一个数组，而collect_list通常按组（或Window分区）将“多列” 聚集在一个列上，如下所示：

import org.apache.spark.sql.functions._
import spark.implicits._

val df = Seq(
  (1, "a", "b"),
  (1, "c", "d"),
  (2, "e", "f")
).toDF("c1", "c2", "c3")

df.
  withColumn("arr", array("c2", "c3")).
  show
// +---+---+---+------+
// | c1| c2| c3|   arr|
// +---+---+---+------+
// |  1|  a|  b|[a, b]|
// |  1|  c|  d|[c, d]|
// |  2|  e|  f|[e, f]|
// +---+---+---+------+

df.
  groupBy("c1").agg(collect_list("c2")).
  show
// +---+----------------+
// | c1|collect_list(c2)|
// +---+----------------+
// |  1|          [a, c]|
// |  2|             [e]|
// +---+----------------+