我有一个类型集的列,我使用spark数据集API的collect_set()
,它返回包装数组的包装数组。我想从嵌套包装数组的所有值中获取单个数组。我怎样才能做到这一点?WrapedArray的WrappedArray到java数组
例如, Cassandra表:
Col1
{1,2,3}
{1,5}
我正在使用Spark数据集API。
row.get(0)
返回包装数组的包装数组。
我有一个类型集的列,我使用spark数据集API的collect_set()
,它返回包装数组的包装数组。我想从嵌套包装数组的所有值中获取单个数组。我怎样才能做到这一点?WrapedArray的WrappedArray到java数组
例如, Cassandra表:
Col1
{1,2,3}
{1,5}
我正在使用Spark数据集API。
row.get(0)
返回包装数组的包装数组。
考虑你有Dataset<Row> ds
其中有value
列。
+-----------------------+
|value |
+-----------------------+
|[WrappedArray(1, 2, 3)]|
+-----------------------+
而且它有以下模式
root
|-- value: array (nullable = true)
| |-- element: array (containsNull = true)
| | |-- element: integer (containsNull = false)
使用UDF
定义UDF1
像下面。
static UDF1<WrappedArray<WrappedArray<Integer>>, List<Integer>> getValue = new UDF1<WrappedArray<WrappedArray<Integer>>, List<Integer>>() {
public List<Integer> call(WrappedArray<WrappedArray<Integer>> data) throws Exception {
List<Integer> intList = new ArrayList<Integer>();
for(int i=0; i<data.size(); i++){
intList.addAll(JavaConversions.seqAsJavaList(data.apply(i)));
}
return intList;
}
};
注册和呼叫UDF1
像下面
import static org.apache.spark.sql.functions.col;
import static org.apache.spark.sql.functions.callUDF;
import scala.collection.JavaConversions;
//register UDF
spark.udf().register("getValue", getValue, DataTypes.createArrayType(DataTypes.IntegerType));
//Call UDF
Dataset<Row> ds1 = ds.select(col("*"), callUDF("getValue", col("value")).as("udf-value"));
ds1.show();
使用爆炸功能
import static org.apache.spark.sql.functions.col;
import static org.apache.spark.sql.functions.explode;
Dataset<Row> ds2 = ds.select(explode(col("value")).as("explode-value"));
ds2.show(false);
如果你有一个数据框,你可以使用UDF来flattern列表 下面是简单的例子,对于DF1
import spark.implicits._
import org.apache.spark.sql.functions._
//create a dummy data
val df = Seq(
(1, List(1,2,3)),
(1, List (5,7,9)),
(2, List(4,5,6)),
(2,List(7,8,9))
).toDF("id", "list")
val df1 = df.groupBy("id").agg(collect_set($"list").as("col1"))
df1.show(false)
输出:
+---+----------------------------------------------+
|id |col1 |
+---+----------------------------------------------+
|1 |[WrappedArray(1, 2, 3), WrappedArray(5, 7, 9)]|
|2 |[WrappedArray(7, 8, 9), WrappedArray(4, 5, 6)]|
+---+----------------------------------------------+
val testUDF = udf((list: Seq[Seq[Integer]]) => {list.flatten})
df1.withColumn("newCol", testUDF($"col1")).show(false)
输出
+---+----------------------------------------------+------------------+
|id |col1 |newCol |
+---+----------------------------------------------+------------------+
|1 |[WrappedArray(1, 2, 3), WrappedArray(5, 7, 9)]|[1, 2, 3, 5, 7, 9]|
|2 |[WrappedArray(7, 8, 9), WrappedArray(4, 5, 6)]|[7, 8, 9, 4, 5, 6]|
+---+----------------------------------------------+------------------+
我希望这可以帮助!
你可以请张贴相当于Java代码UDF。我在Seq
我希望这可以帮助https://stackoverflow.com/questions/35348058/how-do-i-call-a-udf-on-a-spark-dataframe-using-java –
其实我想实现扁平化,它并不像Java中的list.flatten那么简单,可能是因为Scala更丰富。文件为flatten是单行,对我来说没有意义:( – rohanagarwal
是的,可以完成,我试过了其他我分解了这些集合,然后使用collect_set()将它们聚合在一起,所以只有一个数组,你告诉我要爆炸collect_set()的结果,在这两种情况下,我都有一个问题,那就是是否会有这也是我选择flatten的原因,你也可以指点我一些教程,书籍等等,用于spark + java(而不是scala)+ dataset api – rohanagarwal
我编辑了我的答案,以使用UDF获取数组。希望这可以帮助。 – abaghel