SparkR窗口功能

Question

我从JIRA发现，SparkR的1.6版本已经实现了包括lag和rank在内的窗函数，但over函数尚未实现。如何在lag（不是over方式）中使用没有SparkR的SparkSQL函数等窗口函数？有人能提供一个例子吗？

Answer 1

Spark 2.0.0+

SparkR为over，window.partitionBy / partitionBy，window.orderBy / orderBy和rowsBetween / rangeBeteen函数提供DSL包装。

Spark <= 1.6

不幸的是，它在1.6.0中是不可能的。虽然已经实现了一些窗口函数，包括lag，但SparkR还不支持窗口定义，这使得这些函数完全没用。

只要SPARK-11395没有解决，唯一的选择是使用原始SQL：

set.seed(1)

hc <- sparkRHive.init(sc)
sdf <- createDataFrame(hc, data.frame(x=1:12, y=1:3, z=rnorm(12)))
registerTempTable(sdf, "sdf")

sql(hc, "SELECT x, y, z, LAG(z) OVER (PARTITION BY y ORDER BY x) FROM sdf") %>% 
  head()

##    x y          z        _c3
## 1  1 1 -0.6264538         NA
## 2  4 1  1.5952808 -0.6264538
## 3  7 1  0.4874291  1.5952808
## 4 10 1 -0.3053884  0.4874291
## 5  2 2  0.1836433         NA
## 6  5 2  0.3295078  0.1836433

假设corresponding PR将合并而没有重大更改窗口定义，示例查询应如下所示：

w <- Window.partitionBy("y") %>% orderBy("x")
select(sdf, over(lag(sdf$z), w))