0
Spark SQL对我来说很清楚。但是,我刚开始使用Spark的RDD API。作为spark apply function to columns in parallel指出,这应该让我获得spark将spark-SQL转换为RDD API
def handleBias(df: DataFrame, colName: String, target: String = this.target) = {
val w1 = Window.partitionBy(colName)
val w2 = Window.partitionBy(colName, target)
df.withColumn("cnt_group", count("*").over(w2))
.withColumn("pre2_" + colName, mean(target).over(w1))
.withColumn("pre_" + colName, coalesce(min(col("cnt_group")/col("cnt_foo_eq_1")).over(w1), lit(0D)))
.drop("cnt_group")
}
}
摆脱缓慢的洗牌在伪代码:df foreach column (handleBias(column)
所以最小的数据帧装起来
val input = Seq(
(0, "A", "B", "C", "D"),
(1, "A", "B", "C", "D"),
(0, "d", "a", "jkl", "d"),
(0, "d", "g", "C", "D"),
(1, "A", "d", "t", "k"),
(1, "d", "c", "C", "D"),
(1, "c", "B", "C", "D")
)
val inputDf = input.toDF("TARGET", "col1", "col2", "col3TooMany", "col4")
但没有正确映射
val rdd1_inputDf = inputDf.rdd.flatMap { x => {(0 until x.size).map(idx => (idx, x(idx)))}}
rdd1_inputDf.toDF.show
它失败
java.lang.ClassNotFoundException: scala.Any
java.lang.ClassNotFoundException: scala.Any
对于此问题中概述的问题,可以找到一个示例https://github.com/geoHeil/sparkContrastCodinghttps://github.com/geoHeil/sparkContrastCoding/blob/master/src/main/scala/ColumnParallel.scala。
正如我想在毫升使用此.Pipeline和输出步骤是DataFrame的“模式丢失”,例如我将需要使用模式匹配?它是否正确?但有很多列是否有一种方法来“推断”它们(部分shcema? –
是的DF => RDD转换不会使用架构根本不幸的是(我不认为有这是一种强制使用它的好方法)但是,看一下我的新数据集示例:不需要使用中间数据框Dataframe,它看起来像DataSet可以很好地推断类型(在Spark 2.0中我认为任何你可以用DF做的事情也可以用DS来完成) –
@GeorgHeiler(不知道你是否被告知了^^^^) –