data.table
提供了一个rleid
函数,我发现它是非常有用的 - 当一个观察变量发生变化时,它会作为一个ticker,由一些其他变量排序。sparklyr中的游程长度ID
library(dplyr)
tbl = tibble(time = as.integer(c(1, 2, 3, 4, 5, 6, 7, 8)),
var = c("A", "A", "A", "B", "B", "A", "A", "A"))
> tbl
# A tibble: 8 × 2
time var
<int> <chr>
1 1 A
2 2 A
3 3 A
4 4 B
5 5 B
6 6 A
7 7 A
8 8 A
期望的结果是
> tbl %>% mutate(rleid = data.table::rleid(var))
# A tibble: 8 × 3
time var rleid
<int> <chr> <int>
1 1 A 1
2 2 A 1
3 3 A 1
4 4 B 2
5 5 B 2
6 6 A 3
7 7 A 3
8 8 A 3
我在想,如果我可以使用sparklyr
提供的工具再现类似的东西。在进行测试时,我发现我能做的最好的事情就是达到我需要做出积极贡献的程度,但却无法实现这一点。
library(sparklyr)
spark_install(version = "2.0.2")
sc <- spark_connect(master = "local",
spark_home = spark_home_dir())
spk_tbl = copy_to(sc, tbl, overwrite = TRUE)
spk_tbl %>%
mutate(var2 = (var != lag(var, 1L, order = time))) %>% # Thanks @JaimeCaffarel
mutate(var3 = if(var2) { paste0(time, var) } else { NA })
Source: query [8 x 4]
Database: spark connection master=local[4] app=sparklyr local=TRUE
time var var2 var3
<int> <chr> <lgl> <chr>
1 1 A TRUE 1A
2 2 A FALSE <NA>
3 3 A FALSE <NA>
4 4 B TRUE 4B
5 5 B FALSE <NA>
6 6 A TRUE 6A
7 7 A FALSE <NA>
8 8 A FALSE <NA>
我使用SparkR
试过,但是我更喜欢sparklyr
界面和易用性的,所以我非常能够做到这一点星火SQL。
我当然可以通过将数据分割成足够小的块,然后运行一个函数并将其发回。
对于上下文来说,我发现rleid
有用的原因是我使用了大量的火车数据,并且能够对它的运行进行索引是非常有用的。
感谢所有帮助 AKHIL
我想你可以使用这个:'TBL%> %mutate(rleid =(var!= lag(var,1,default =“asdf”)))%>%mutate(rleid = cumsum(rleid))'基本上这个解决方案:http://stackoverflow.com/a/33510765/2026277 –
@JaimeCaffarel我没有注意到'cumsum'整齐的做法...不幸的是'cumsum'似乎在Spark-SQL中不起作用(或者至少我不能使它工作)。 mutle(rleid = cumsum(rleid))%>% mutate(rleid = )' –
OH!我错了 - 我只需要先将布尔值转换为int。谢谢!考虑添加一个答案+我可以接受。再次感谢 –