Question

例如，我有一个如下所示的数据框，

df
DataFrame[columnA: int, columnB: int]

如果我必须做两次检查。我将如下两次查看数据，

df.where(df.columnA == 412).count()
df.where(df.columnB == 25).count()

在普通代码中，我将有两个计数变量并在True上递增。我如何使用spark数据帧？感谢是否有人可以链接到正确的文档。很高兴看到python或scala。

Answer 1

例如：

import org.apache.spark.sql.functions.sum

val df = sc.parallelize(Seq(
  (412, 0),
  (0,   25), 
  (412, 25), 
  (0,   25)
)).toDF("columnA", "columnB")

df.agg(
  sum(($"columnA" === 412).cast("long")).alias("columnA"),
  sum(($"columnB" === 25).cast("long")).alias("columnB")
).show

// +-------+-------+
// |columnA|columnB|
// +-------+-------+
// |      2|      3|
// +-------+-------+

或者像这样：

import org.apache.spark.sql.functions.{count, when}

df.agg(
  count(when($"columnA" === 412, $"columnA")).alias("columnA"),
  count(when($"columnB" === 25, $"columnB")).alias("columnB")
).show

// +-------+-------+
// |columnA|columnB|
// +-------+-------+
// |      2|      3|
// +-------+-------+

我不知道任何特定的文档，但我很确定你会在任何好的SQL参考中找到它。

Answer 2

@ zero323的答案很明显，但只是为了表明最灵活的编程模型是Spark，你可以在if内用map语句进行检查，并使用lambda函数，例如（使用与上面相同的数据框）

import org.apache.spark.sql.functions._  

val r1 = df.map(x => {
  var x0 = 0
  var x1 = 0
  if (x(0) == 412) x0=1
  if (x(1) == 25) x1=1
  (x0, x1)
}).toDF("x0", "x1").select(sum("x0"), sum("x1")).show()

这个模型可以让你做任何你能想到的事情，不过你最好不要使用特定的API。

如何在单次运行中获取多个查询

2 个答案: