我可以使用 Pig Latin 中的嵌套 FOREACH 语句生成嵌套包吗？

Posted 2023-04-18

【中文标题】我可以使用 Pig Latin 中的嵌套 FOREACH 语句生成嵌套包吗？

【英文标题】：Can I generate nested bags using nested FOREACH statements in Pig Latin?

【发布时间】：2011-02-08 11:53:49

【问题描述】：

假设我有一个餐厅评论数据集：

User,City,Restaurant,Rating
Jim,New York,Mecurials,3
Jim,New York,Whapme,4.5
Jim,London,Pint Size,2
Lisa,London,Pint Size,4
Lisa,London,Rabbit Whole,3.5

我想按用户和城市的平均评论生成一个列表。 IE。输出：

User,City,AverageRating
Jim,New York,3.75
Jim,London,2
Lisa,London,3.75

我可以编写一个 Pig 脚本如下：

Data = LOAD 'data.txt' USING PigStorage(',') AS (
    user:chararray, city:chararray, restaurant:charray, rating:float
);

PerUserCity = GROUP Data BY (user, city);

ResultSet = FOREACH PerUserCity 
    GENERATE group.user, group.city, AVG(Data.rating);

但是我很好奇我是否可以先将更高级别的组（用户）分组，然后再将下一个级别（城市）分组：即

PerUser = GROUP Data BY user;

Intermediate = FOREACH PerUser 
    B = GROUP Data BY city;
    GENERATE group AS user, B;

我明白了：

Error during parsing.
Invalid alias: GROUP in 
  group: chararray,
  Data: 
    user: chararray,
    city: chararray,
    restaurant: chararray,
    rating: float
  

有没有人成功地尝试过这个？是否根本不可能在 FOREACH 中进行 GROUP？

我的目标是做类似的事情：

ResultSet = FOREACH PerUser 
    FOREACH City 
        GENERATE user, city, AVG(City.rating)
    

【参考方案1】：

目前允许的操作是DISTINCT、FILTER、LIMIT 和 ORDER BY 在 FOREACH 内。

现在直接按（用户，城市）分组是按照你说的做的好方法。

【参考方案2】：

Pig 0.10 版的发行说明表明嵌套的 FOREACH 操作是 now supported。

【讨论】：

谢谢。为什么内部块需要两个 GENERATE？

撤回我的建议。发行说明表明可以做到这一点，但我无法让它工作。

【参考方案3】：

试试这个：

Records = load 'data_rating.txt' using PigStorage(',') as (user:chararray, city:chararray, restaurant:chararray, rating:float);
grpRecs = group Records By (user,city);
avgRating_Byuser_perCity = foreach grpRecs generate AVG(Records.rating) as average; 
Result = foreach avgRating_Byuser_perCity generate flatten(group), average;

【讨论】：

您应该添加说明此代码完成了什么以及它是如何做到的。

这是错误的...应该是 Records = load 'data_rating.txt' using PigStorage(',') as (user:chararray, city:chararray, restaurant:chararray, rating:float) ; grpRecs = 按（用户，城市）分组记录； avgRating_Byuser_perCity = foreach grpRecs 生成 flatten(group), AVG(Records.rating) 作为平均值；结果 = 转储 avgRating_Byuser_perCity ;

【参考方案4】：

awdata = load 'data' using PigStorage(',') as (user:chararray , city:chararray , restaurant:chararray , rating:float);
data = filter rawdata by user != 'User';

groupbyusercity = group data by (user,city);

--describe groupbyusercity;
--groupbyusercity: group: (user: chararray,city: chararray),data: (user: chararray,city: chararray,restaurant: chararray,rating: float)

average = foreach groupbyusercity 
    generate group.user,group.city,AVG(data.rating);


dump average;

【参考方案5】：

按两个键分组，然后展平结构会导致相同的结果：

像你一样加载数据

Data = LOAD 'data.txt' USING PigStorage(',') AS (
    user:chararray, city:chararray, restaurant:charray, rating:float);

按用户和城市分组

 ByUserByCity = GROUP Data BY (user, city);

添加组的平均评分（您可以添加更多，例如 COUNT(Data) as count_res） 然后将组结构展平为原始结构。

ByUserByCityAvg = FOREACH ByUserByCity GENERATE
FLATTEN(group) AS (user, city),
AVG(Data.rating) as user_city_avg;

结果：

Jim,London,2.0
Jim,New York,3.75
Lisa,London,3.75
User,City,

【讨论】：

我猜，这不能回答问题