使用 Apache Spark 和 Java 对 DataFrame 进行分组和聚合

Question

我在Spark中加载了一个具有以下架构的数据帧：

电子邮件first_name，last_name，order_id

如何通过电子邮件对其进行分组，计算每个组中的记录并返回具有以下架构的数据帧：

电子邮件first_name，last_name，order_count

Answer 1

这是在 Scala 中执行此操作的一种方法：

val df = sc.parallelize(Seq(("a","b","c",1),("a","b","c",2),("x","xb","xc",3),("y","yb","yc",4),("x","xb","xc",5))).toDF("email","first_name","last_name","order_id")
df.registerTempTable("df")
sqlContext.sql("select * from (select email, count(*) as order_count from df group by email ) d1 join df d2 on d1.email = d2.email")

在Java中，考虑到你已经创建了数据帧，它实际上是相同的代码：

DataFrame results = sqlContext.sql("select * from (select email, count(*) as order_count from df group by email ) d1 join df d2 on d1.email = d2.email");

尽管如此，甚至认为这是直接的解决方案，但我认为这是一种不好的做法，因为您的代码将难以维护和发展。一个更清洁的解决方案是：

DataFrame email_count = df.groupBy("email").count();
DataFrame results2 = email_count.join(df, email_count.col("email").equalTo(df.col("email"))).drop(df.col("email"));