如何解压 Spark 数据集中的多个键答案

【问题标题】：How to unpack multiple keys in a Spark DataSet如何解压 Spark 数据集中的多个键
【发布时间】：2017-08-11 02:52:53
【问题描述】：

我有以下DataSet，结构如下。

case class Person(age: Int, gender: String, salary: Double)

我想通过gender 和age 确定平均工资，因此我将DS 用两个键分组。我遇到了两个主要问题，一个是两个键混合在一个中，但我想将它们保留在两个不同的列中，另一个是 aggregated 列的名称很长而且我不能弄清楚如何重命名它（显然as 和alias 不起作用）所有这些都使用DS API。

val df = sc.parallelize(List(Person(100000.00, "male", 27), 
  Person(120000.00, "male", 27), 
  Person(95000, "male", 26),
  Person(89000, "female", 31),
  Person(250000, "female", 51),
  Person(120000, "female", 51)
)).toDF.as[Person]

df.groupByKey(p => (p.gender, p.age)).agg(typed.avg(_.salary)).show()

+-----------+------------------------------------------------------------------------------------------------+
|        key| TypedAverage(line2503618a50834b67a4b132d1b8d2310b12.$read$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$Person)|          
+-----------+------------------------------------------------------------------------------------------------+ 
|[female,31]|  89000.0... 
|[female,51]| 185000.0...
|  [male,27]| 110000.0...
|  [male,26]|  95000.0...
+-----------+------------------------------------------------------------------------------------------------+

【问题讨论】：

标签： scala apache-spark apache-spark-dataset

【解决方案1】：

别名是一种无类型的操作，因此您必须在之后重新键入它。解压密钥的唯一方法是在之后通过选择或其他方式进行：

df.groupByKey(p => (p.gender, p.age))
  .agg(typed.avg[Person](_.salary).as("average_salary").as[Double])
  .select($"key._1",$"key._2",$"average_salary").show

【讨论】：

【解决方案2】：

实现这两个目标的最简单方法是将map()从聚合结果再次传递到Person实例：

.map{case ((gender, age), salary) => Person(gender, age, salary)}

如果在案例类的构造函数中稍微重新排列参数的顺序，结果会看起来最好：

case class Person(gender: String, age: Int, salary: Double)

+------+---+--------+
|gender|age|  salary|
+------+---+--------+
|female| 31| 89000.0|
|female| 51|185000.0|
|  male| 27|110000.0|
|  male| 26| 95000.0|
+------+---+--------+

完整代码：

import session.implicits._
val df = session.sparkContext.parallelize(List(
  Person("male", 27, 100000),
  Person("male", 27, 120000),
  Person("male", 26, 95000),
  Person("female", 31, 89000),
  Person("female", 51, 250000),
  Person("female", 51, 120000)
)).toDS

import org.apache.spark.sql.expressions.scalalang.typed
df.groupByKey(p => (p.gender, p.age))
  .agg(typed.avg(_.salary))
  .map{case ((gender, age), salary) => Person(gender, age, salary)}
  .show()

【讨论】：