Spark DataFrame分组后选取第一行

本文展示了如何使用Spark SQL的Window函数和row_number()函数高效地从数据集中筛选出每个小时内的最高总价值类别。通过示例代码,读者可以学习如何在Apache Spark中进行数据聚合和行级排名,以实现快速获取每个组的顶级记录。
import org.apache.spark.sql.functions.{row_number, max, broadcast}
import org.apache.spark.sql.expressions.Window

val df = sc.parallelize(Seq(
  (0,"cat26",30.9), (0,"cat13",22.1), (0,"cat95",19.6), (0,"cat105",1.3),
  (1,"cat67",28.5), (1,"cat4",26.8), (1,"cat13",12.6), (1,"cat23",5.3),
  (2,"cat56",39.6), (2,"cat40",29.7), (2,"cat187",27.9), (2,"cat68",9.8),
  (3,"cat8",35.6))).toDF("Hour", "Category", "TotalValue")

//+----+--------+----------+//|Hour|Category|TotalValue|//+----+--------+----------+//| 0| cat26| 30.9|//| 0| cat13| 22.1|//| 0| cat95| 19.6|//| 0| cat105| 1.3|//| 1| cat67| 28.5|//| 1| cat4| 26.8|//| 1| cat13| 12.6|//| 1| cat23| 5.3|//| 2| cat56| 39.6|//| 2| cat40| 29.7|//| 2| cat187| 27.9|//| 2| cat68| 9.8|//| 3| cat8| 35.6|//| ...| ....| ....|//+----+--------+----------+


val w = Window.partitionBy($"hour").orderBy($"TotalValue".desc)

val dfTop = df.withColumn("rn", row_number.over(w)).where($"rn" === 1).drop("rn")

dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// |   0|   cat26|      30.9|
// |   1|   cat67|      28.5|
// |   2|   cat56|      39.6|
// |   3|    cat8|      35.6|
// +----+--------+----------+

其它效率更高的方法,参考:

https://stackoverflow.com/questions/33878370/how-to-select-the-first-row-of-each-group

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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