在Spark DataFram中查找每个组的最大行数

Question

我尝试使用Spark数据帧而不是rdd，因为它们看起来比rdd更高级，并且倾向于生成更可读的代码。

在一个14个节点的Google Dataproc集群中，我有大约600万个名字被两个不同的系统翻译成ids：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是附加到id_sa的所有名称中最频繁的id。

让我们试着用一个例子来说明。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相关联的名称是n1、n2和n3，它们分别映射到b1、b2和b2，因此b2是与a1相关联的名称中最频繁的映射。以同样的方式，a2将映射到b2。假设总会有赢家是可以的：不需要打破关系。

我希望可以在数据帧上使用groupBy(df.id_sa)，但我不知道接下来该怎么做。我希望一个聚合可以最终生成以下行：

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

但也许我试图使用错误的工具，我应该回去使用RDD。

Answer 1

我想你要找的是窗口函数： 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

下面是Scala中的一个例子（我现在没有一个带有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")

使用窗口函数可能有更有效的方法来实现相同的结果，但我希望这能为您指明正确的方向。

Answer 2

使用join（如果是绑定，将在组中生成多行）：

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（将删除关系）：

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?