如何在 spark scala 中实现 uniqueConcatenate、uniqueCount [关闭]

Posted 2023-03-23

【中文标题】如何在 spark scala 中实现 uniqueConcatenate、uniqueCount [关闭]

【英文标题】：how to implement uniqueConcatenate, uniqueCount in spark scala [closed]

【发布时间】：2022-01-10 17:01:58

【问题描述】：

我正在尝试转换数据，旧代码在 Tibco 中并使用 uniqueConcatenate、uniqueCount 函数。

我不确定我们如何在 spark scala 中实现相同的输出。

uniqueConcatenate 示例：

uniqueCount 示例：

我尝试使用 collect_set，但因为我需要通过其他列进行分区，这似乎不适合我。

请帮帮我！

【参考方案1】：

对于 uniqueConcatenate，您可以使用 collect_set() 函数将列聚合到集合中。 例如：

import org.apache.spark.sql.functions.collect_set, concat_ws
import spark.implicits._

case class Record(col1: Option[Int] = None, col2: Option[Int] = None, col3: Option[Int] = None)

val df: DataFrame = Seq(Record(Some(1), Some(1), Some(1)), Record(Some(1), None, Some(3)), Record(Some(1), Some(3), Some(3))).toDF("col1", "col2", "col3")

df.show()

/*
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|   1|   1|
|   1|null|   3|
|   1|   3|   3|
+----+----+----+
*/

df.agg(
  concat_ws(". ", collect_set("col1")).as("col1"),
  concat_ws(". ", collect_set("col2")).as("col2"),
  concat_ws(". ", collect_set("col3")).as("col3")
).show()

/*
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|1. 3|1. 3|
+----+----+----+
*/

对于 uniqueCount，您可以以类似的方式使用countDistinct：

import org.apache.spark.sql.functions.countDistinct

df.agg(
  countDistinct("col1").as("col1"),
  countDistinct("col2").as("col2"),
  countDistinct("col3").as("col3")
).show()

/*
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|   2|   2|
+----+----+----+
*/

【讨论】：

添加更多细节：我的情况类似于 - uniqueConcatenate(col_1) over (col_2) uniqueCount(col_3) over (col_4) over 似乎我需要使用 WIndow 函数 partitionBy 列，以上两个我尝试但没有得到预期的输出

上面的 sn-ps 完全解决了你的问题。如果您期望 *** 中的人会解决您的任务 - 这不是正确的地方。

抱歉，我正在尝试从这里寻求帮助，以解决我在经过多次不同试验后面临的问题。感谢您的帮助和反馈。

谢谢！我之前尝试过 countDistinct，对于具有整数或 bigint 值的 col，它工作正常，但我有 varchar col 即示例