Pig：按范围/分级数据分组

Question

我有一组整数值，我想将它们分组到一堆箱中。

示例：假设我有1到1000之间的千分之一，我想做20个分档。

无论如何将它们分组到bin / array中？

另外，我不会提前知道范围有多宽，因此我无法对任何特定值进行硬编码。

Answer 1

如果您有最小值和最大值，则可以将范围除以箱数。例如，

-- foo.pig
ids = load '$INPUT' as (id: int);
ids_with_key = foreach ids generate (id - $MIN) * $BIN_COUNT / ($MAX- $MIN + 1) as bin_id, id;
group_by_id = group ids_with_key by bin_id;
bin_id = foreach group_by_id generate group, flatten(ids_with_key.id);
dump bin_id;

然后您可以使用以下命令运行它：

pig -f foo.pig -p MIN=1 -p MAX=1000 -p BIN_COUNT=20 -p INPUT=your_input_path

脚本背后的想法是我们可以将范围[MIN, MAX]除以BIN_COUNT以获得每个bin的大小：(MAX - MIN + 1) / BIN_COUNT，称为BIN_SIZE。然后我们将id映射到bin编号：(id - MIN) / BIN_SIZE，并将它们分组。