如何汇总下面的数据帧,即只有一条记录将公共键及其值作为元组并保持值的顺序。
我能够进行汇总,但无法保持值的顺序。
+-------------
| key| val|
+-------------
| A|4816|
| A|5732|
| A|5542|
| B|5814|
| B|5812|
| B|5499|
| C|5992|
| C|7299|
| C|5193|
预期盈利
key | val
A | (4816, 5732, 5542)
B | (5814, 5812, 5499)
C | (5992, 7299, 5193)
如何在执行汇总时保持值的顺序?
简短的回答是你没有。在一般情况下,DataFrames
没有订购,因此没有什么可保留的。此外,聚合需要随机排序,因此不保证任何操作的处理顺序。
在特定情况下,您可以尝试类似于以下内容:
import org.apache.spark.sql.functions._
df
.withColumn("id", monotonically_increasing_id)
.groupBy("key")
.agg(collect_list(struct($"id", $"val")).alias("val"))
.select($"key", sort_array($"val").getItem("val").alias("val"))
但使用它的风险自负,并且前提是您完全了解上游执行计划的保证。