在 Spark 中将元组转换为矩阵

Posted 2023-04-17

【中文标题】在 Spark 中将元组转换为矩阵

【英文标题】：Transform tuple to matrix in Spark

【发布时间】：2020-08-11 23:02:59

【问题描述】：

我有一个看起来像这样的元组和值的 rdd 列表。有成千上万种不同的配对。

(A, B), 1
(B, C), 2
(C, D), 1
(A, D), 1
(D, A), 5

我想将元组值对转换为对应于这些对的矩阵。我没有在 spark 中看到任何简单的方法来做到这一点。

+---+------+------+------+------+
|   |  A   |  B   |  C   |  D   |
+---+------+------+------+------+
| A | -    | 1    | NULL | 1    |
| B | NULL | -    | 2    | NULL |
| C | NULL |      | -    | 1    |
| D | 5    | NULL | NULL | -    |
+---+------+------+------+------+

【问题讨论】：

scala 可以作为选项吗？

当然更喜欢 Java，但我大概能猜出来。

我的建议，做java。让我看看

我的意思是做 scala

【参考方案1】：

尽力而为，但无法使用 spark-sql （您声明）摆脱列名。 只是以自然顺序旋转。 试试看，添加了额外的元组。

import org.apache.spark.sql.functions._ 
// Note sure what difference is between ("A", "B"), 1 or "A", "B", 1
val rdd = sc.parallelize(Seq(  (("A", "B"), 1), (("B", "C"), 2), (("C", "D"), 1), (("A", "D"), 1), (("D", "A"), 5), (("E", "Z"), 500) ))

// Can start from here in fact
val rdd2 = rdd.map(x => (x._1._1, x._1._2, x._2))

val df = rdd2.toDF()

// Natural ordering, but cannot get rid of _1 column in a DF (spark sql)
df.groupBy("_1").pivot("_2").agg(first("_3"))
  .orderBy("_1")
  .show(false)

返回：

+---+----+----+----+----+----+
|_1 |A   |B   |C   |D   |Z   |
+---+----+----+----+----+----+
|A  |null|1   |null|1   |null|
|B  |null|null|2   |null|null|
|C  |null|null|null|1   |null|
|D  |5   |null|null|null|null|
|E  |null|null|null|null|500 |
+---+----+----+----+----+----+