火花请求最大计数

Question

我是Spark上的初学者，我尝试提出请求允许我检索访问量最多的网页。

我的请求是以下

mostPopularWebPageDF = logDF.groupBy("webPage").agg(functions.count("webPage").alias("cntWebPage")).agg(functions.max("cntWebPage")).show()

使用此请求，我仅检索具有最大计数的数据框

类似的东西：

webPage            max(cntWebPage)
google.com         2

我该如何解决我的问题？

非常感谢。

Answer 1

在pyspark sql中：

logDF.registerTempTable("logDF")
mostPopularWebPageDF = sqlContext.sql("""select webPage, cntWebPage from (
                                            select webPage, count(*) as cntWebPage, max(count(*)) over () as maxcnt 
                                            from logDF 
                                            group by webPage) as tmp
                                            where tmp.cntWebPage = tmp.maxcnt""")

也许我可以使其更干净，但它起作用。我将尝试优化它。

我的结果：

webPage      cntWebPage
google.com   2

数据集：

webPage    usersid
google.com 1
google.com 3
bing.com   10

说明：正常计数是通过分组 计数（*）函数完成的。所有这些计数的最大值是通过窗口函数计算的，因此对于上面的数据集，即时数据框/不删除MaxCount列/IS：

webPage    count  maxCount
google.com 2      2
bing.com   1      2

然后，我们选择的行等于MaxCount

编辑：我已删除了DSL版本 - 它不支持（）上的窗口，并且订购正在改变结果。对不起这个错误。SQL版本是正确的