spark dataframe全局排序id与分组后保留最大值行
作者：算法全栈之路
正文
作为一个算法工程师，日常学习和工作中，不光要 训练模型关注效果 ，更多的 时间 是在 准备样本数据与分析数据 等，而这些过程 都与 大数据 spark和hadoop生态 的若干工具息息相关。
今天我们就不在更新 机器学习 和 算法模型 相关的内容，分享两个 spark函数 吧，以前也在某种场景中使用过但没有保存收藏，哎！！ 事前不搜藏，临时抱佛脚 的感觉 真是 痛苦，太耽误干活了 。
so，把这 两个函数 记在这里 以备不时 之需～
(1) 得到 spark dataframe 全局排序ID
这个函数的 应用场景 就是：根据某一列的数值对 spark 的 dataframe 进行排序， 得到全局多分区排序的全局有序ID，新增一列保存这个rank id ，并且保留别的列的数据无变化 。
有用户会说，这不是很容易吗 ，直接用 orderBy 不就可以了吗，但是难点是：orderBy完记录下全局ID 并且 保持原来全部列的DF数据 。
多说无益，遇到这个场景 直接copy 用起来 就知道 有多爽 了，同类问题 我们可以 用下面 这个函数 解决 ～
scala 写的 spark 版本代码：
def dfZipWithIndex(
df: DataFrame,
offset: Int = 1,
colName: String ="rank_id",
inFront: Boolean = true
) : DataFrame = {
df.sqlContext.createDataFrame(
df.rdd.zipWithIndex.map(ln =>
Row.fromSeq(
(if (inFront) Seq(ln._2 + offset) else Seq())
++ ln._1.toSeq ++
(if (inFront) Seq() else Seq(ln._2 + offset))
)
),
StructType(
(if (inFront) Array(StructField(colName,LongType,false)) else Array[StructField]())
++ df.schema.fields ++
(if (inFront) Array[StructField]() else Array(StructField(colName,LongType,false)))
)
)
}
函数调用我们可以用这行代码调用： val ranked_df = dfZipWithIndex(raw_df.orderBy($"predict_score".desc)), 直接复制过去就可以～
python写的 pyspark 版本代码：
from pyspark.sql.types import LongType, StructField, StructType
def dfZipWithIndex (df, offset=1, colName="rank_id"):
new_schema = StructType(
[StructField(colName,LongType(),True)] # new added field in front
+ df.schema.fields # previous schema
)
zipped_rdd = df.rdd.zipWithIndex()
new_rdd = zipped_rdd.map(lambda (row,rowId): ([rowId +offset] + list(row)))
return spark.createDataFrame(new_rdd, new_schema)
调用 同理 ， 这里我就不在进行赘述了。
(2)分组后保留最大值行
这个函数的 应用场景 就是： 当我们使用 spark 或则 sparkSQL 查找某个 dataframe 数据的时候，在某一天里，任意一个用户可能有多条记录，我们需要 对每一个用户，保留dataframe 中 某列值最大 的那行数据 。
其中的 关键点 在于：一次性求出对每个用户分组后，求得每个用户的多行记录中，某个值最大的行进行数据保留 。
当然，经过 简单修改代码，不一定是最大，最小也是可以的，平均都ok 。
scala 写的 spark 版本代码：
// 得到一天内一个用户多个记录里面时间最大的那行用户的记录
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions
val w = Window.partitionBy("user_id")
val result_df = raw_df
.withColumn("max_time",functions.max("time").over(w))
.where($"time" === $"max_time")
.drop($"max_time")
python写的 pyspark 版本代码：
# pyspark dataframe 某列值最大的元素所在的那一行
# GroupBy 列并过滤 Pyspark 中某列值最大的行
# 创建一个Window 以按A列进行分区，并使用它来计算每个组的最大值。然后过滤出行，使 B 列中的值等于最大值
from pyspark.sql import Window
w = Window.partitionBy('user_id')
result_df = spark.sql(raw_df).withColumn('max_time', fun.max('time').over(w))\
.where(fun.col('time') == fun.col('time'))
.drop('max_time')
我们可以看到： 这个函数的关键就是运用了 spark 的 window 函数 ，灵活运用 威力无穷 哦 ！
到这里，spark利器2函数之dataframe全局排序id与分组后保留最大值行 的全文 就写完了 ，更多关于spark dataframe全局排序的资料请关注脚本之家其它相关文章！