基于 Spark Dataframe 中不同值的类别列答案

【问题标题】：Categories column on the basis of distinct value in Spark Dataframe基于 Spark Dataframe 中不同值的类别列
【发布时间】：2019-10-24 04:09:33
【问题描述】：

在我的源数据中，我没有可以对数据进行分组的任何类别列。

所以，我想根据另一列 say("QNAME") 不同的值在 Spark 数据框中添加一个新的自定义类别列。我想在 Group By to Pivot 中使用它。

直到现在，我都不知道……如何获得这个。

假设我有以下源数据框

   Qname    b   c   d
    SPT     1   10  555
    MTK     2   20  556
    NKP     3   30  557
    LKM     4   40  558
    SPT     5   50  559     
    MTK     7   70  561
    QRS     6   60  560
    NKP     7   70  561
    SPT     5   50  559
    LKM     7   70  561
    QRS     7   70  561
    MTK     7   70  561
    NKP     7   70  561

因此，基于 column("QNAME") 值，我想对不同的值组合进行分类。例如，不同的值是（SPT，MTK，NKP，LKM，QRS）...所以这个值的第一次出现将被标记为“aaa”，然后第二次出现将被标记为“bbb”等等。

所以，下面是预期的输出。

  Category         Qname    b   c   d
    "aaa"           SPT     1   10  555
    "aaa"           MTK     2   20  556
    "aaa"           NKP     3   30  557
    "aaa"           LKM     4   40  558
    "bbb"           SPT     5   50  559     
    "bbb"           MTK     7   70  561
    "aaa"           QRS     6   60  560
    "bbb"           NKP     7   70  561
    "ccc"           SPT     5   50  559
    "bbb"           LKM     7   70  561
    "bbb"           QRS     7   70  561
    "ccc"           MTK     7   70  561
    "ccc"           NKP     7   70  561

我正在使用 Scala 和 Spark 来执行此操作。任何帮助或建议都可以解决这个问题。提前致谢！

【问题讨论】：

QNAME 的每个不同值是否最多出现 26 次？否则，您将用完字母（“aaa”、“bbb”、...、“zzz”）

标签： python scala apache-spark apache-spark-sql

【解决方案1】：

任务可以通过窗口函数“row_number()”完成。如果考虑到 Jonathan Myers 评论，最好只使用数字而不是字符：

val df = Seq(
  ("SPT", 1, 10, 555),
  ("MTK", 2, 20, 556),
  ("NKP", 3, 30, 557),
  ("LKM", 4, 40, 558),
  ("SPT", 5, 50, 559),
  ("MTK", 7, 70, 561),
  ("QRS", 6, 60, 560),
  ("NKP", 7, 70, 561),
  ("SPT", 5, 50, 559),
  ("LKM", 7, 70, 561),
  ("QRS", 7, 70, 561),
  ("MTK", 7, 70, 561),
  ("NKP", 7, 70, 561)
).toDF(
  "Qname", "b", "c", "d"
)

// action
val categoryWindow = Window.partitionBy($"Qname").orderBy("c")
val result = df.withColumn("Category", row_number().over(categoryWindow))

结果：

+--------+-----+---+---+---+
|Category|Qname|b  |c  |d  |
+--------+-----+---+---+---+
|1       |SPT  |1  |10 |555|
|1       |NKP  |3  |30 |557|
|1       |QRS  |6  |60 |560|
|1       |LKM  |4  |40 |558|
|1       |MTK  |2  |20 |556|
|2       |NKP  |7  |70 |561|
|2       |LKM  |7  |70 |561|
|2       |QRS  |7  |70 |561|
|2       |SPT  |5  |50 |559|
|2       |MTK  |7  |70 |561|
|3       |NKP  |7  |70 |561|
|3       |MTK  |7  |70 |561|
|3       |SPT  |5  |50 |559|
+--------+-----+---+---+---+

【讨论】：