Spark - 30 分钟通用窗口化
Posted
技术标签:
【中文标题】Spark - 30 分钟通用窗口化【英文标题】:Spark - 30 Minute Generic Windowing 【发布时间】:2020-03-05 14:50:48 【问题描述】:我目前正在编写一个 spark 脚本,以查看每 30 分钟的周期并确定该列在该 30 分钟滚动周期内的平均值。
我的时间戳格式为:MM/dd/yyyy HH:mm:ss AM/PM
。本质上,我想做的是每 30 分钟查看一次,不包括日期。 (即下午 1:02 至下午 1:32 之间全天的平均乘客人数)。
我当前的脚本将获取我的时间戳,将其转换为 unix 时间戳并将其存储为新列。然后,查看当前时间戳,它会减去 900 秒,并加上 900 秒,以获取前 15 分钟的记录和当前时间戳之后 15 分钟的记录。这给了我正在寻找的 30 分钟窗口。当我在创建新列“时间戳”时包含MM/dd/yyyy
时,此方法有效:
val taxiSub = spark.read.format("csv").option("header", true).option("inferSchema", true).load("/user/zeppelin/taxi/taxi_subset.csv")
taxiSub.createOrReplaceTempView("taxiSub")
val stamp = taxiSub.withColumn("timestamp", unix_timestamp($"tpep_pickup_datetime", "MM/dd/yyyy HH:mm"))
import org.apache.spark.sql.expressions._
val windowSpec = Window.partitionBy("VendorID").orderBy("timestamp").rangeBetween(-900,900)
val answer = stamp.withColumn("AvgPassenger", avg(stamp("passenger_count")).over(windowSpec))
answer.select("VendorID", "tpep_pickup_datetime", "timestamp", "passenger_count", "AvgPassenger")
answer.createOrReplaceTempView("answerTable")
spark.sqlContext.sql("SELECT timestamp, AvgPassenger FROM answerTable ORDER BY AvgPassenger DESC limit 10").show()
但是,这给了我范围内的具体日期,而不是上面提到的通用时间段。当我尝试从时间戳生成中删除MM/dd/yyyy
时,我的所有时间戳值都变为空。此外,如何计算时间戳的 AM/PM 部分?
任何想法将不胜感激。
【问题讨论】:
【参考方案1】:我们可以使用 unix_timestamp("HH:mm","HH:mm")
来获取通用纪元时间值,然后在我们的 orderBy
子句中使用该值。
Example:
//import org.apache.spark.sql.expressions._
//sample data
//+--------+---------+---------------+--------------------+
//|VendorID|timestamp|passenger_count|tpep_pickup_datetime|
//+--------+---------+---------------+--------------------+
//| 1| 66180| 3| 12/12/2019 12:23|
//| 1| 66780| 2| 12/13/2018 12:33|
//| 2| 66180| 12| 12/13/2019 12:23|
//| 2| 69780| 13| 12/13/2018 13:23|
//+--------+---------+---------------+--------------------+
val stamp = taxiSub.withColumn("tmp",to_timestamp(col("tpep_pickup_datetime"),"MM/dd/yyyy HH:mm")).//add new timestamp type field
withColumn("timestamp", unix_timestamp(concat_ws(":",hour(col("tmp")),minute(col("tmp"))),"HH:mm")). //extract hour,minute and convert to epoch timestamp value
drop("tmp")
//partition based on vendorid
val windowSpec = Window.partitionBy("VendorID").orderBy("timestamp").rangeBetween(-900,900)
stamp.withColumn("AvgPassenger", avg(stamp("passenger_count")).over(windowSpec)).show()
//+--------+---------+---------------+--------------------+------------+
//|VendorID|timestamp|passenger_count|tpep_pickup_datetime|AvgPassenger|
//+--------+---------+---------------+--------------------+------------+
//| 1| 66180| 3| 12/12/2019 12:23| 2.5|
//| 1| 66780| 2| 12/13/2018 12:33| 2.5|
//| 2| 66180| 12| 12/13/2019 12:23| 12.0|
//| 2| 69780| 13| 12/13/2018 13:23| 13.0|
//+--------+---------+---------------+--------------------+------------+
【讨论】:
以上是关于Spark - 30 分钟通用窗口化的主要内容,如果未能解决你的问题,请参考以下文章
OpenStack 通用设计思路 - 每天5分钟玩转 OpenStack(25)
OpenStack 通用设计思路 - 每天5分钟玩转 OpenStack(25)
Unity 3D 游戏通用系统设置页面,自定义按键设置,背景虚化,图像设置,亮度对比度饱和度音量调节,分辨率窗口化,帧率垂直同步,抗锯齿,阴影质量,纹理质量设置