如何删除每组计数低于阈值的记录

Question

这是数据帧：

id | sector     | balance
---------------------------
1  | restaurant | 20000
2  | restaurant | 20000
3  | auto       | 10000
4  | auto       | 10000
5  | auto       | 10000

如何找到每种sector类型的计数并删除sector类型计数低于特定LIMIT的记录？

以下：

dataFrame.groupBy(columnName).count()

给我一个值在该列中出现的次数。

如何使用DataFrame API在Spark和Scala中做到这一点？

Answer 1

可以使用 SQL 窗口来执行此操作。

import org.apache.spark.sql.expressions.Window
yourDf.withColumn("count", count("*")
      .over(Window.partitionBy($"colName")))
      .where($"count">2)
//    .drop($"count") // if you don't want to keep count column
      .show()

对于给定的数据帧

import org.apache.spark.sql.expressions.Window
dataFrame.withColumn("count", count("*")
         .over(Window.partitionBy($"sector")))
         .where($"count">2)
         .show()

您应该看到如下结果：

id | sector     | balance | count
------------------------------
3  | auto       | 10000   | 3
4  | auto       | 10000   | 3
5  | auto       | 10000   | 3

Answer 2

不知道这是否是最好的方法。但这对我有用。

def getRecordsWithColumnFrequnecyLessThanLimit(dataFrame: DataFrame, columnName: String, limit: Integer): DataFrame = {
    val g = dataFrame.groupBy(columnName)
                     .count()
                     .filter("count<" + limit)
                     .select(columnName)
                     .rdd
                     .map(r => r(0)).collect()
    dataFrame.filter(dataFrame(columnName) isin  (g:_*))
}

Answer 3

由于它是一个数据帧，因此您可以使用SQL查询，例如

select sector, count(1)
from TABLE
group by sector
having count(1) >= LIMIT