Как я могу использовать API-интерфейс SPARK DataFrame для группировки по идентификатору, вычисления всех комбинаций значений внутри группы и создания единого выходного блока данных?API-интерфейс Spark Dataframe: группировка по идентификаторам и комбинациям вычислений
Пример:
val testSchema = StructType(Array(
StructField("id", IntegerType),
StructField("value", StringType)))
val test_rows = Seq(
Row(1, "a"),
Row(1, "b"),
Row(1, "c"),
Row(2, "a"),
Row(2, "d"),
Row(2, "e")
)
val test_rdd = sc.parallelize(test_rows)
val test_df = sqlContext.createDataFrame(test_rdd, testSchema)
Ожидаемый результат:
1 a b
1 a c
1 b c
2 a d
2 a e
2 d e
Лучшее решение до сих пор:
Выполните автообъединение, фильтр на ид равенства и устранить равные значения
val result = test_df.join(
test_df.select(test_df.col("id").as("r_id"), test_df.col("value").as("r_value")),
($"id" === $"r_id") and ($"value" !== $"r_value")).select("id", "value", "r_value")
+---+-----+-------+
| id|value|r_value|
+---+-----+-------+
| 1| a| b|
| 1| a| c|
| 1| b| a|
| 1| b| c|
| 1| c| a|
| 1| c| b|
| 2| a| d|
| 2| a| e|
| 2| d| a|
| 2| d| e|
| 2| e| a|
| 2| e| d|
+---+-----+-------+
Оставаясь проблема: как избавиться от повторяющихся наборов, например, (а, Ь) и (Ь, а) при выполнении присоединиться?
В этом случае лучше использовать 'RDD' вместо' DataFame', прочитать это [Функция агрегирования Spark DataFrame] (http://stackoverflow.com/questions/33899977/spark-dataframe-custom-aggregation- функция-to-sum-a-column-of-vector), и вы заметите, почему. –