我正在使用Spark Scala API。我有一个Spark SQL数据帧(从Avro的文件中读取)与下面的模式:如何在flatMap中使用Spark SQL DataFrame?
root
|-- ids: array (nullable = true)
| |-- element: map (containsNull = true)
| | |-- key: integer
| | |-- value: string (valueContainsNull = true)
|-- match: array (nullable = true)
| |-- element: integer (containsNull = true)
本质上2列[IDS:列表[图[诠释,字符串]],匹配:列表[INT]]。
[List(Map(1 -> a), Map(2 -> b), Map(3 -> c), Map(4 -> d)),List(0, 0, 1, 0)]
[List(Map(5 -> c), Map(6 -> a), Map(7 -> e), Map(8 -> d)),List(1, 0, 1, 0)]
...
我想这样做是flatMap()
每一行产生3列[ID,财产,比赛]:看起来像的样本数据。使用上面两行作为输入数据,我们将得到:
[1,a,0]
[2,b,0]
[3,c,1]
[4,d,0]
[5,c,1]
[6,a,0]
[7,e,1]
[8,d,0]
...
,然后groupBy
的String
财产(例如:A,B,...)产生count("property")
和sum("match")
:
a 2 0
b 1 0
c 2 2
d 2 0
e 1 1
我希望做这样的事情:
val result = myDataFrame.select("ids","match").flatMap(
(row: Row) => row.getList[Map[Int,String]](1).toArray())
result.groupBy("property").agg(Map(
"property" -> "count",
"match" -> "sum"))
的问题是flatMap
将DataFrame转换为RDD。是否有一种好方法可以使用DataFrames执行flatMap
类型的操作,然后使用groupBy
?
谢谢你的回答! DataFrame.explode方法正是我所需要的。 –