Wie simuliere ich die SQL-Funktion „ROW_NUMBER()' in Spark RDD?

SQL-Zeilennummernäquivalent in Spark RDD

In Spark wird eine Zeilennummer erhalten, die SQLs row_number() über (partition by .. . order by ...) für ein RDD kann mit der erweiterten Funktion von Spark 1.4 erreicht werden Funktionalität.

Lösung:

1. Erstellen Sie ein Test-RDD:

val sample_data = Seq(((3, 4), 5, 5, 5),
((3, 4), 5, 5, 9),
((3, 4), 7, 5, 5),
((1, 2), 1, 2, 3),
((1, 2), 1, 4, 7),
((1, 2), 2, 2, 3))

val temp1 = sc.parallelize(sample_data)

2. Partition nach Schlüssel und Reihenfolge:

Verwenden Sie die in Spark 1.4 eingeführte Funktion rowNumber(), um ein partitioniertes Fenster zu erstellen:

import org.apache.spark.sql.expressions.Window

val partitionedRdd = temp1
  .map(x => (x._1, x._2._1, x._2._2, x._2._3))
  .groupBy(_._1)
  .mapGroups((_, entries) =>
    entries.toList
      .sortBy(x => (x._2, -x._3, x._4))
      .zipWithIndex
      .map(x => (x._1._1, x._1._2, x._1._3, x._1._4, x._2 + 1))
  )

3. Geben Sie das Ergebnis aus:

partitionedRdd.foreach(println)

// Example output:
// ((1,2),1,4,7,1)
// ((1,2),1,2,3,2)
// ((1,2),2,2,3,3)
// ((3,4),5,5,5,4)
// ((3,4),5,5,9,5)
// ((3,4),7,5,5,6)

Das obige ist der detaillierte Inhalt vonWie simuliere ich die SQL-Funktion „ROW_NUMBER()' in Spark RDD?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!