我正在使用Spark Scala API。我有一个Spark SQL DataFrame(从Avro文件中读取),其模式如下:
root
|-- ids: array (nullable = true)
| |-- element: map (containsNull = true)
| | |-- key: integer
| | |-- value: string (valueContainsNull = true)
|-- match: array (nullable = true)
| |-- element: integer (containsNull = true)
基本上是2列 [ ids: List[Map[Int, String]], match: List[Int] ]。类似以下示例数据:
[List(Map(1 -> a), Map(2 -> b), Map(3 -> c), Map(4 -> d)),List(0, 0, 1, 0)]
[List(Map(5 -> c), Map(6 -> a), Map(7 -> e), Map(8 -> d)),List(1, 0, 1, 0)]
...
我想做的是对每一行使用flatMap()
函数来生成3列[id, property, match]。如果以上述两行作为输入数据,我们将得到:
[1,a,0]
[2,b,0]
[3,c,1]
[4,d,0]
[5,c,1]
[6,a,0]
[7,e,1]
[8,d,0]
...
然后按照属性(例如:a,b,...)groupBy
String
来生成count(“property”)
和sum(“match”)
:
a 2 0
b 1 0
c 2 2
d 2 0
e 1 1
我想要做类似这样的事情:
val result = myDataFrame.select("ids","match").flatMap(
(row: Row) => row.getList[Map[Int,String]](1).toArray() )
result.groupBy("property").agg(Map(
"property" -> "count",
"match" -> "sum" ) )
问题在于flatMap
将DataFrame转换为RDD。有没有一种好的方法可以使用DataFrames进行flatMap
类型的操作,然后再进行groupBy
呢?