spark选择去重

在Spark中,当需要对特定列进行去重操作时,可以使用TopN的思路来实现。例如,针对appid和date两列去重,可以先选择这两列并去除空值,然后设置窗口函数按照appid分组并按某个排序标准(如出现次数)降序排列。通过row_number()函数获取每组内的第一行(即row_num=1),从而达到去重目的。这种方法避免了distinct对所有列的全局去重,提高了处理效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在spark计算当中,我们日常有些简单需求,比如去重,比如有四列(appid、date、type、platform),我们只需要对appid,date进行去重,另外两列不关注。在spark中,distinct会对所有列执行去重操作,两行比较,只要有个一列有差异,就不算重复。

    要解决,只对某几列进行去重,可以使用Top N 的思路,也就是先分组,分组后,我们只取row_num=1第一行就可以了。

具体实现代码如下:

//选出某几列,去掉空值
Dataset dataset = input.select(
Consts.Fields.APPID,
Consts.Fields.EXTADID).na().drop(dropNulCol);dataset.persist();//设置窗口计算,可以指定多个列为partitionBy,其实就是多个groupby分组列WindowSpecw=Window.partitionBy(Consts.Fields.APPID).orderBy(col("count").desc());//只取rownum=1,那就是topN,如果window里有orderby排序的话。Dataset<Row>top=count.withColumn("rn",rownumber().over(w)).where(col("rn").ADID ).na().drop(dropNulCol); dataset.persist(); //设置窗口计算,可以指定多个列为partitionBy,其实就是多个groupby 分组列 WindowSpec w=Window.partitionBy(Consts.Fields.APPID).orderBy(col("count").desc()); //只取row num=1,那就是top N,如果window里有orderby排序的话。 Dataset<Row> top = count.withColumn("rn",row_number().over(w)).where(col("rn").ADID).na().drop(dropNulCol);dataset.persist();//partitionBy,groupbyWindowSpecw=Window.partitionBy(Consts.Fields.APPID).orderBy(col("count").desc());//rownum=1topN,windoworderbyDataset<Row>top=count.withColumn("rn",rownumber().over(w)).where(col("rn").eqeqeqeqeq(1)).drop(“rn”);


在这里插入图片描述
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值