如何使用Scala在Spark中聚合数据？

Question

我有一个数据集test1.txt。它包含如下数据

2::1::3
1::1::2
1::2::2
2::1::5
2::1::4
3::1::2
3::1::1
3::2::2

我使用下面的代码创建了数据框架。

case class Test(userId: Int, movieId: Int, rating: Float)
def pRating(str: String): Rating = {
val fields = str.split("::")
assert(fields.size == 3)
Test(fields(0).toInt, fields(1).toInt, fields(2).toFloat)
}

val ratings = spark.read.textFile("C:/Users/test/Desktop/test1.txt").map(pRating).toDF()
2,1,3
1,1,2
1,2,2
2,1,5
2,1,4
3,1,2
3,1,1
3,2,2

但我想打印下面的输出I.e.删除重复的组合，而不是field(2) value sum of values1,1, 2.0。

1,1,2.0
1,2,2.0
2,1,12.0
3,1,3.0
3,2,2.0   

请帮帮我，怎么能实现这个。

Answer 1

要删除重复项，请使用df.distinct。首先汇总你groupBy然后agg。把这一切放在一起：

case class Rating(userId: Int, movieId: Int, rating: Float)

def pRating(str: String): Rating = {
  val fields = str.split("::")
  assert(fields.size == 3)
  Rating(fields(0).toInt, fields(1).toInt, fields(2).toFloat)
}

val ratings = spark.read.textFile("C:/Users/test/Desktop/test1.txt").map(pRating)
val totals = ratings.distinct
  .groupBy('userId, 'movieId)
  .agg(sum('rating).as("rating"))
  .as[Rating]

我不确定你是否希望最终结果为Dataset[Rating]以及distinct和sum逻辑是否与你想要的完全一样，因为问题中的例子不是很清楚，但希望这会给你所需要的。

Answer 2

ratings.groupBy("userId","movieId").sum(rating)