在 Spark 2.4 上的 pyspark.sql.functions.max().over(window) 上使用



我在 StackOverflow 上发表了一篇关于返回由另一列分组的列的最大值的帖子,并得到了一个意外的 Java 异常。

以下是测试数据:

import pyspark.sql.functions as f
data = [('a', 5), ('a', 8), ('a', 7), ('b', 1), ('b', 3)]
df = spark.createDataFrame(data, ["A", "B"])
df.show()
+---+---+
|  A|  B|
+---+---+
|  a|  5|
|  a|  8|
|  a|  7|
|  b|  1|
|  b|  3|
+---+---+

这是据称适用于其他用户的解决方案:

from pyspark.sql import Window
w = Window.partitionBy('A')
df.withColumn('maxB', f.max('B').over(w))
    .where(f.col('B') == f.col('maxB'))
    .drop('maxB').show()

这应该产生这个输出:

#+---+---+
#|  A|  B|
#+---+---+
#|  a|  8|
#|  b|  3|
#+---+---+

相反,我得到:

java.lang.UnsupportedOperationException: Cannot evaluate expression: max(input[2, bigint, false]) windowspecdefinition(input[0, string, true], specifiedwindowframe(RowFrame, unboundedpreceding$(), unboundedfollowing$()))

我只在Databricks上的Spark 2.4上尝试过这个。我尝试了等效的SQL语法并得到了相同的错误。

Databricks 支持能够在 Spark 2.4 上重现该问题,但在早期版本上则无法重现。显然,这是由于制定物理计划的方式不同(如果需要,我可以发布他们的回复)。计划进行修复。

同时,这是原始问题的一种替代解决方案,它不会成为 2.4 版问题的牺牲品:

df.withColumn("maxB", f.max('B').over(w)).drop('B').distinct().show()
+---+----+
|  A|maxB|
+---+----+
|  b|   3|
|  a|   8|
+---+----+

相关内容

  • 没有找到相关文章

最新更新