0
我有一个具有四个基本领域的一些数据聚合的各个领域:Pyspark聚集 - 以不同的方式
- 场1是一个用于数据的关键
- 字段2应该是一个集合中的所有唯一值此字段
- 字段3是最小值(时间戳)
- 字段4是最大值(时间戳)
原始代码看起来是这样的:
data = (
dataframe
.rdd
# flatten rows
.flatMap(lambda x: x)
# Parse JSON
.flatMap(lambda x: encode_json(x))
# Capture values
.map(lambda x: [
# Merge 'field1', 'field2' --> 'field1, field2'
','.join(_ for _ in [x.get('metadata_value'), x.get('field2')]),
# Create pairing of low and high timestamps
[x.get('low'), x.get('high')]
])
# Aggregate into a list of low/high timestamps per 'field1, field2'
.aggregateByKey(list(), lambda u, v: u + [v], lambda u1, u2: u1 + u2)
# Flatten keys 'ip,guid' --> 'ip', 'guid'
.map(lambda x: (x[0].split(',')[0], x[0].split(',')[1], x[1], sum(1 for _ in x[1])))
# Reduce timestamps to single values: [s1, e1], [s2, e2], ... --> s_min, e_max
.map(lambda x: (x[0], x[1], min(_[0] for _ in x[2]), max(_[1] for _ in x[2]), x[3]))
)
原始输出如下:
a | x| 20160103 | 20160107
a | x013579 | 20160101 | 20160106
新的输出应该是这样的:
a | {x,x013579} | 20160101 | 20160107