在 Spark DataFrame 中查找每组的最大行数答案

【问题标题】：Find maximum row per group in Spark DataFrame在 Spark DataFrame 中查找每组的最大行数
【发布时间】：2016-05-15 02:51:46
【问题描述】：

我正在尝试使用 Spark 数据帧而不是 RDD，因为它们似乎比 RDD 更高级，并且倾向于生成更具可读性的代码。

在一个 14 节点的 Google Dataproc 集群中，我有大约 600 万个名称，它们被两个不同的系统转换为 id：sa 和 sb。每个Row 包含name、id_sa 和id_sb。我的目标是生成从id_sa 到id_sb 的映射，这样对于每个id_sa，对应的id_sb 是id_sa 附加的所有名称中最常见的ID。

让我们试着用一个例子来澄清一下。如果我有以下行：

[Row(name='n1', id_sa='a1', id_sb='b1'),
 Row(name='n2', id_sa='a1', id_sb='b2'),
 Row(name='n3', id_sa='a1', id_sb='b2'),
 Row(name='n4', id_sa='a2', id_sb='b2')]

我的目标是生成从a1 到b2 的映射。实际上，与a1 关联的名称是n1、n2 和n3，它们分别映射到b1、b2 和b2，因此b2 是名称中最频繁的映射关联到a1。同样，a2 将映射到b2。可以假设总会有赢家：无需打破平局。

我希望我可以在我的数据框上使用groupBy(df.id_sa)，但我不知道下一步该做什么。我希望聚合最终可以产生以下行：

[Row(id_sa=a1, max_id_sb=b2),
 Row(id_sa=a2, max_id_sb=b2)]

但也许我尝试使用错误的工具，我应该重新使用 RDD。

【问题讨论】：

标签： apache-spark pyspark apache-spark-sql

【解决方案1】：

使用join（如果出现平局，将导致多于一行）：

import pyspark.sql.functions as F
from pyspark.sql.functions import count, col 

cnts = df.groupBy("id_sa", "id_sb").agg(count("*").alias("cnt")).alias("cnts")
maxs = cnts.groupBy("id_sa").agg(F.max("cnt").alias("mx")).alias("maxs")

cnts.join(maxs, 
  (col("cnt") == col("mx")) & (col("cnts.id_sa") == col("maxs.id_sa"))
).select(col("cnts.id_sa"), col("cnts.id_sb"))

使用窗口函数（会掉线）：

from pyspark.sql.functions import row_number
from pyspark.sql.window import Window

w = Window().partitionBy("id_sa").orderBy(col("cnt").desc())

(cnts
  .withColumn("rn", row_number().over(w))
  .where(col("rn") == 1)
  .select("id_sa", "id_sb"))

使用struct 排序：

from pyspark.sql.functions import struct

(cnts
  .groupBy("id_sa")
  .agg(F.max(struct(col("cnt"), col("id_sb"))).alias("max"))
  .select(col("id_sa"), col("max.id_sb")))

另见How to select the first row of each group?

【讨论】：

您介意再澄清一下.agg(F.max(struct(col("cnt"), col("id_sb"))).alias("max")) 的工作原理吗？它是否使用row_number().over(struct(col("cnt"), col("id_sb"))) 之类的东西解决？

【解决方案2】：

我认为您可能正在寻找的是窗口函数： http://spark.apache.org/docs/latest/api/python/pyspark.sql.html?highlight=window#pyspark.sql.Window

https://databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html

这是 Scala 中的一个示例（我现在没有带 Hive 的 Spark Shell，所以我无法测试代码，但我认为它应该可以工作）：

case class MyRow(name: String, id_sa: String, id_sb: String)

val myDF = sc.parallelize(Array(
    MyRow("n1", "a1", "b1"),
    MyRow("n2", "a1", "b2"),
    MyRow("n3", "a1", "b2"),
    MyRow("n1", "a2", "b2")
)).toDF("name", "id_sa", "id_sb")

import org.apache.spark.sql.expressions.Window

val windowSpec = Window.partitionBy(myDF("id_sa")).orderBy(myDF("id_sb").desc)

myDF.withColumn("max_id_b", first(myDF("id_sb")).over(windowSpec).as("max_id_sb")).filter("id_sb = max_id_sb")

可能有更有效的方法可以使用 Window 函数实现相同的结果，但我希望这会为您指明正确的方向。

【讨论】：