如何在 Spark/Scala 中使用 countDistinct？
Posted
技术标签:
【中文标题】如何在 Spark/Scala 中使用 countDistinct？【英文标题】：How do I use countDistinct in Spark/Scala? 【发布时间】：2017-07-03 13:27:51 【问题描述】：我正在尝试使用 Scala 在 Spark 数据框中聚合一列，如下所示：
import org.apache.spark.sql._
dfNew.agg(countDistinct("filtered"))
但我得到了错误：
error: value agg is not a member of Unit
谁能解释一下原因？
编辑：澄清我想要做什么： 我有一列是一个字符串数组，我想计算所有行的不同元素，对任何其他列都不感兴趣。数据：
+------+--------------------------------------------------------------------------------------------------------------------------------------------------------------+
|racist|filtered |
+------+--------------------------------------------------------------------------------------------------------------------------------------------------------------+
|false |[rt, @dope_promo:, crew, beat, high, scores, fugly, frog, ????????, https://time.com/sxp3onz1w8] |
|false |[rt, @axolrose:, yall, call, kermit, frog, lizard?, , https://time.com/wdaeaer1ay] |
我想计算过滤，给出：
rt:2, @dope_promo:1, crew:1, ...frog:2 etc
【问题讨论】：
聚合函数需要先申请groupBy。这可以帮助你***.com/questions/33500816/… How to use countDistinct in Scala with Spark?的可能重复 好的，也许我正在尝试使用错误的功能。我有一列是一个字符串数组，我想计算所有行的不同元素，对任何其他列都不感兴趣。我将编辑我的问题以反映这一点。dfNew.agg(countDistinct("filtered")).show(false) 应该可以解决。
谢谢，但同样的错误。
【参考方案1】：
您需要先explode您的数组才能计算出现次数：查看每个元素的计数：
dfNew
.withColumn("filtered",explode($"filtered"))
.groupBy($"filtered")
.count
.orderBy($"count".desc)
.show
或者只是为了获取不同元素的数量：
val count = dfNew
.withColumn("filtered",explode($"filtered"))
.select($"filtered")
.distinct
.count
【讨论】：
以上是关于如何在 Spark/Scala 中使用 countDistinct？的主要内容，如果未能解决你的问题，请参考以下文章
databricks、spark、scala，不能长时间使用 lag()
将 DataFrame 的数据带回本地节点以在 spark/scala 中执行进一步操作（计数/显示）
如何使用 Spark/Scala 在 HDFS 上编写/创建 zip 文件？