Scala-Spark 不同的结果 [关闭]

【问题标题】：Scala-Spark Different Results [closed]Scala-Spark 不同的结果 [关闭]
【发布时间】：2018-01-26 12:39:54
【问题描述】：

我正在尝试根据事件对我拥有的数据进行三元组，因此为此我使用DataFrames。

val w = Window.partitionBy(args(1)).orderBy(args(2))

val lastDf = df.withColumn("OnePreviousEvent", lag(df(args(3)), 1).over(w))
  .withColumn("twoPreviousEvent", lead(df(args(3)), 1).over(w))
  .withColumn("new", concat_ws(",", $"OnePreviousEvent", col(event), $"twoPreviousEvent"))
  .where($"twoPreviousEvent".isNotNull && $"OnePreviousEvent".isNotNull)
  .groupBy("new").agg(count("new").alias("tripCount")).sort($"tripCount".desc)

我想问的是——每次我运行这段代码，我都会得到不同的结果。任何关于为什么会发生这种情况的想法将不胜感激。谢谢

【问题讨论】：

标签： scala apache-spark spark-dataframe

【解决方案1】：

这并没有什么奇怪的。让我们看一下您的代码示例，将args(1..3) 替换为x, yandz` 以便于分析：

val x: Column
val y: Column
val z: Column

val w = Window.partitionBy(x).orderBy(y)

val lastDf = df.withColumn("OnePreviousEvent", lag(z, 1).over(w))
  .withColumn("twoPreviousEvent", lead(z), 1).over(w))

窗口使用y 排序，而您使用lag 或z。如果z 中存在关联，则结果是不确定的。例如如果数据：

val df = Seq(
  (1, 1, 1), (1, 1, 2), (1, 1, 3), (1, 1, 4)
).toDF("x", "y", "z")

那么有 24 种不同的可能排序：

(1, 2, 3, 4), (1, 2, 4, 3), (1, 3, 2, 4), (1, 3, 4, 2), ...

每个都满足PARTITION BY x 和ORDER BY y。

当且仅当所有 y 值都是唯一的时，排序将是唯一且稳定的。

【讨论】：