Как получить эквивалентный номер строки SQL для Spark RDD?

мне нужно создать полный список row_numbers для таблицы данных с большим количеством столбцов.

в SQL, это будет выглядеть так:

select
   key_value,
   col1,
   col2,
   col3,
   row_number() over (partition by key_value order by col1, col2 desc, col3)
from
   temp
;

теперь, скажем, в Spark у меня есть RDD формы (K, V), где V=(col1, col2, col3), поэтому мои записи похожи на

(key1, (1,2,3))
(key1, (1,4,7))
(key1, (2,2,3))
(key2, (5,5,5))
(key2, (5,5,9))
(key2, (7,5,5))
etc.

Я хочу заказать их, используя такие команды, как sortBy (), sortWith (), sortByKey (), zipWithIndex и т. д. и иметь новый RDD с правильным row_number

(key1, (1,2,3), 2)
(key1, (1,4,7), 1)
(key1, (2,2,3), 3)
(key2, (5,5,5), 1)
(key2, (5,5,9), 2)
(key2, (7,5,5), 3)
etc.

(мне все равно в скобках, так что форма тоже может быть (к (столбца col1,столбец col2,col3,для параметр rownum)) вместо)

как мне это сделать?

вот моя первая попытка:

val sample_data = Seq(((3,4),5,5,5),((3,4),5,5,9),((3,4),7,5,5),((1,2),1,2,3),((1,2),1,4,7),((1,2),2,2,3))

val temp1 = sc.parallelize(sample_data)

temp1.collect().foreach(println)

// ((3,4),5,5,5)
// ((3,4),5,5,9)
// ((3,4),7,5,5)
// ((1,2),1,2,3)
// ((1,2),1,4,7)
// ((1,2),2,2,3)

temp1.map(x => (x, 1)).sortByKey().zipWithIndex.collect().foreach(println)

// ((((1,2),1,2,3),1),0)
// ((((1,2),1,4,7),1),1)
// ((((1,2),2,2,3),1),2)
// ((((3,4),5,5,5),1),3)
// ((((3,4),5,5,9),1),4)
// ((((3,4),7,5,5),1),5)

// note that this isn't ordering with a partition on key value K!

val temp2 = temp1.???

также обратите внимание, что функция sortBy не может быть применена непосредственно к RDD, но сначала нужно запустить collect (), а затем вывод тоже не RDD, а array

temp1.collect().sortBy(a => a._2 -> -a._3 -> a._4).foreach(println)

// ((1,2),1,4,7)
// ((1,2),1,2,3)
// ((1,2),2,2,3)
// ((3,4),5,5,5)
// ((3,4),5,5,9)
// ((3,4),7,5,5)

вот немного больше прогресса, но все еще не разделено:

val temp2 = sc.parallelize(temp1.map(a => (a._1,(a._2, a._3, a._4))).collect().sortBy(a => a._2._1 -> -a._2._2 -> a._2._3)).zipWithIndex.map(a => (a._1._1, a._1._2._1, a._1._2._2, a._1._2._3, a._2 + 1))

temp2.collect().foreach(println)

// ((1,2),1,4,7,1)
// ((1,2),1,2,3,2)
// ((1,2),2,2,3,3)
// ((3,4),5,5,5,4)
// ((3,4),5,5,9,5)
// ((3,4),7,5,5,6)
20
apache-spark rdd row-number sql

3 ответов

на row_number() over (partition by ... order by ...) функциональность была добавлена в Spark 1.4. Этот ответ использует PySpark / DataFrames.

создайте тестовый фрейм данных:

from pyspark.sql import Row, functions as F

testDF = sc.parallelize(
    (Row(k="key1", v=(1,2,3)),
     Row(k="key1", v=(1,4,7)),
     Row(k="key1", v=(2,2,3)),
     Row(k="key2", v=(5,5,5)),
     Row(k="key2", v=(5,5,9)),
     Row(k="key2", v=(7,5,5))
    )
).toDF()

добавить секционированный номер строки:

from pyspark.sql.window import Window

(testDF
 .select("k", "v",
         F.rowNumber()
         .over(Window
               .partitionBy("k")
               .orderBy("k")
              )
         .alias("rowNum")
        )
 .show()
)

+----+-------+------+
|   k|      v|rowNum|
+----+-------+------+
|key1|[1,2,3]|     1|
|key1|[1,4,7]|     2|
|key1|[2,2,3]|     3|
|key2|[5,5,5]|     1|
|key2|[5,5,9]|     2|
|key2|[7,5,5]|     3|
+----+-------+------+
17

это интересная проблема, которую вы поднимаете. Я отвечу на него на Python, но я уверен, что вы сможете легко перевести на Scala.

вот как я бы решить это:

1-упростите свои данные:

temp2 = temp1.map(lambda x: (x[0],(x[1],x[2],x[3])))

temp2 сейчас "ключ-значение" пары. Это выглядит так:

[
((3, 4), (5, 5, 5)),  
((3, 4), (5, 5, 9)),   
((3, 4), (7, 5, 5)),   
((1, 2), (1, 2, 3)),  
((1, 2), (1, 4, 7)),   
((1, 2), (2, 2, 3))

]

2-затем используйте функцию group-by для воспроизведения эффекта раздела по:

temp3 = temp2.groupByKey()

temp3 теперь является RDD с 2 строки:

[((1, 2), <pyspark.resultiterable.ResultIterable object at 0x15e08d0>),  
 ((3, 4), <pyspark.resultiterable.ResultIterable object at 0x15e0290>)]

3-Теперь вам нужно применить функцию ранга для каждого значения RDD. В python я бы использовал простую функцию сортировки (перечисление создаст столбец row_number):

 temp4 = temp3.flatMap(lambda x: tuple([(x[0],(i[1],i[0])) for i in enumerate(sorted(x[1]))])).take(10)

обратите внимание, что для реализации вашего конкретного порядка вам нужно будет подать правильный аргумент " key " (в python я бы просто создал лямбда-функцию, например:

lambda tuple : (tuple[0],-tuple[1],tuple[2])

в конце (без функции ключевого аргумента, она выглядит как что):

[
((1, 2), ((1, 2, 3), 0)), 
((1, 2), ((1, 4, 7), 1)), 
((1, 2), ((2, 2, 3), 2)), 
((3, 4), ((5, 5, 5), 0)), 
((3, 4), ((5, 5, 9), 1)), 
((3, 4), ((7, 5, 5), 2))

]

надеюсь, что это поможет!

удачи.

4
val test = Seq(("key1", (1,2,3)),("key1",(4,5,6)), ("key2", (7,8,9)), ("key2", (0,1,2)))

test: Seq[(String, (Int, Int, Int))] = List ((key1, (1,2,3)), (key1, (4,5,6)), (key2, (7,8,9)), (key2, (0,1,2)))

test.foreach(println)

(key1, (1,2,3))

(key1, (4,5,6))

(key2, (7,8,9))

(key2, (0,1,2))

val rdd = sc.parallelize(test, 2)

rdd: org.апаш.искра.РДУ.RDD[(String, (Int, Int, Int))] = ParallelCollectionRDD[41] при распараллеливании на :26

val rdd1 = rdd.groupByKey.map(x => (x._1,x._2.toArray)).map(x => (x._1, x._2.sortBy(x => x._1).zipWithIndex))

rdd1: org.апаш.искра.РДУ.RDD [(String, Array [((Int, Int, Int), Int)])] = MapPartitionsRDD[44] at map at :25

val rdd2 = rdd1.flatMap{ 
  elem =>
   val key = elem._1
   elem._2.map(row => (key, row._1, row._2))
 }

rdd2: org.апаш.искра.РДУ.РДД[(строка, (Инт, Инт, Инт), тип int)] = MapPartitionsRDD[45] при помощью flatMap на :25

rdd2.collect.foreach(println)

(key1, (1,2,3), 0)

(key1, (4,5,6), 1)

(key2, (0,1,2), 0)

(key2, (7,8,9), 1)

1