উইন্ডো ফাংশন :
এর মতো কিছুতে কৌশলটি করা উচিত:
import org.apache.spark.sql.functions.{row_number, max, broadcast}
import org.apache.spark.sql.expressions.Window
val df = sc.parallelize(Seq(
(0,"cat26",30.9), (0,"cat13",22.1), (0,"cat95",19.6), (0,"cat105",1.3),
(1,"cat67",28.5), (1,"cat4",26.8), (1,"cat13",12.6), (1,"cat23",5.3),
(2,"cat56",39.6), (2,"cat40",29.7), (2,"cat187",27.9), (2,"cat68",9.8),
(3,"cat8",35.6))).toDF("Hour", "Category", "TotalValue")
val w = Window.partitionBy($"hour").orderBy($"TotalValue".desc)
val dfTop = df.withColumn("rn", row_number.over(w)).where($"rn" === 1).drop("rn")
dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
উল্লেখযোগ্য ডেটা স্কিউর ক্ষেত্রে এই পদ্ধতিটি অকার্যকর হবে।
সমতলে এসকিউএল সমষ্টি অনুসরণ করেjoin :
বিকল্পভাবে আপনি একত্রিত ডেটা ফ্রেমের সাথে যোগ দিতে পারেন:
val dfMax = df.groupBy($"hour".as("max_hour")).agg(max($"TotalValue").as("max_value"))
val dfTopByJoin = df.join(broadcast(dfMax),
($"hour" === $"max_hour") && ($"TotalValue" === $"max_value"))
.drop("max_hour")
.drop("max_value")
dfTopByJoin.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
এটি সদৃশ মান রাখবে (যদি একই মোট মান সহ প্রতি ঘন্টা একাধিক বিভাগ থাকে)। আপনি নিম্নলিখিত হিসাবে এটি মুছে ফেলতে পারেন:
dfTopByJoin
.groupBy($"hour")
.agg(
first("category").alias("category"),
first("TotalValue").alias("TotalValue"))
অর্ডার ওভার ব্যবহার করেstructs :
ঝরঝরে, যদিও খুব ভাল পরীক্ষিত নয়, এমন ট্রিক যার সাথে যোগ দেয় বা উইন্ডো ফাংশন প্রয়োজন না:
val dfTop = df.select($"Hour", struct($"TotalValue", $"Category").alias("vs"))
.groupBy($"hour")
.agg(max("vs").alias("vs"))
.select($"Hour", $"vs.Category", $"vs.TotalValue")
dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
ডেটাসেট API (স্পার্ক 1.6+, 2.0+) সহ:
স্পার্ক 1.6 :
case class Record(Hour: Integer, Category: String, TotalValue: Double)
df.as[Record]
.groupBy($"hour")
.reduce((x, y) => if (x.TotalValue > y.TotalValue) x else y)
.show
// +---+--------------+
// | _1| _2|
// +---+--------------+
// |[0]|[0,cat26,30.9]|
// |[1]|[1,cat67,28.5]|
// |[2]|[2,cat56,39.6]|
// |[3]| [3,cat8,35.6]|
// +---+--------------+
2.0 বা তার পরে স্পার্ক করুন :
df.as[Record]
.groupByKey(_.Hour)
.reduceGroups((x, y) => if (x.TotalValue > y.TotalValue) x else y)
শেষ দুটি পদ্ধতি মানচিত্রের পার্শ্বে একত্রিত করতে পারে এবং পুরো বদলানো দরকার না তাই বেশিরভাগ সময় উইন্ডো ফাংশন এবং যোগদানের তুলনায় আরও ভাল পারফরম্যান্স প্রদর্শন করা উচিত। এই বেত completedআউটপুট মোডে স্ট্রাকচার্ড স্ট্রিমিংয়ের সাথেও ব্যবহৃত হয় ।
ব্যবহার করবেন না :
df.orderBy(...).groupBy(...).agg(first(...), ...)
এটা তোলে কাজ (বিশেষ করে মনে হতে পারে localমোড) কিন্তু এটা উপরে ভরসা করা যায় (দেখুন স্ফুলিঙ্গ-16207 করতে, ক্রেডিট Tzach সোহরের জন্য প্রাসঙ্গিক জির ইস্যু লিঙ্ক , এবং স্পার্ক-30335 )।
একই নোট প্রযোজ্য
df.orderBy(...).dropDuplicates(...)
যা অভ্যন্তরীণভাবে সমতুল্য প্রয়োগের পরিকল্পনা ব্যবহার করে।