在下面的示例中,我加载了一个镶木地板文件,其中包含meta
字段中的地图对象的嵌套记录。 sparklyr
似乎在处理这些方面做得很好。然而,tidyr::unnest
不会转换为SQL(或HQL - 可以理解 - 像LATERAL VIEW explode()
),因此无法使用。有没有办法以其他方式取消数据?
tfl <- head(tf)
tfl
Source: query [?? x 10]
Database: spark connection master=yarn-client app=sparklyr local=FALSE
trkKey meta sources startTime
<chr> <list> <list> <list>
1 3juPe-k0yiMcANNMa_YiAJfJyU7WCQ3Q <S3: spark_jobj> <list [24]> <dbl [1]>
2 3juPe-k0yiAJX3ocJj1fVqru-e0syjvQ <S3: spark_jobj> <list [1]> <dbl [1]>
3 3juPe-k0yisY7UY_ufUPUo5mE1xGfmNw <S3: spark_jobj> <list [7]> <dbl [1]>
4 3juPe-k0yikXT5FhqNj87IwBw1Oy-6cw <S3: spark_jobj> <list [24]> <dbl [1]>
5 3juPe-k0yi4MMU63FEWYTNKxvDpYwsRw <S3: spark_jobj> <list [7]> <dbl [1]>
6 3juPe-k0yiFBz2uPbOQqKibCFwn7Fmlw <S3: spark_jobj> <list [19]> <dbl [1]>
# ... with 6 more variables: endTime <list>, durationInMinutes <dbl>,
# numPoints <int>, maxSpeed <dbl>, maxAltitude <dbl>, primaryKey <chr>
收集数据时也存在问题。例如。,
tfl <- head(tf) %>% collect()
tfl
# A tibble: 6 × 10
trkKey meta sources startTime
<chr> <list> <list> <list>
1 3juPe-k0yiMcANNMa_YiAJfJyU7WCQ3Q <S3: spark_jobj> <list [24]> <dbl [1]>
2 3juPe-k0yiAJX3ocJj1fVqru-e0syjvQ <S3: spark_jobj> <list [1]> <dbl [1]>
3 3juPe-k0yisY7UY_ufUPUo5mE1xGfmNw <S3: spark_jobj> <list [7]> <dbl [1]>
4 3juPe-k0yikXT5FhqNj87IwBw1Oy-6cw <S3: spark_jobj> <list [24]> <dbl [1]>
5 3juPe-k0yi4MMU63FEWYTNKxvDpYwsRw <S3: spark_jobj> <list [7]> <dbl [1]>
6 3juPe-k0yiFBz2uPbOQqKibCFwn7Fmlw <S3: spark_jobj> <list [19]> <dbl [1]>
# ... with 6 more variables: endTime <list>, durationInMinutes <dbl>,
# numPoints <int>, maxSpeed <dbl>, maxAltitude <dbl>, primaryKey <chr>
tfl %>% unnest(meta)
Error: Each column must either be a list of vectors or a list of data frames [meta]
在上面,meta
文件仍然包含spark_jobj
元素而不是list,data.frames,甚至JSON字符串(这是Hive将返回此类数据的方式)。这就产生了tidyr
甚至不对收集的数据起作用的情况。
有没有办法让sparklyr
与我失踪的tidyr
更好地合作?如果没有,这是否计划用于未来的sparklyr
开发?
这不是一个正确的解决方案,但是一个解决方法是使用Hive生成表格或视图(例如,create view db_name.table_name as select ...
)。处理爆炸操作。这为sparklyr
提供了平面数据。如果sc
是通过sparklyr
的火花连接,可以使用DBI::dbGetQuery(sc, "USE db_name")
,假设配置了Hive,然后在列出具有src_tbls(sc)
的表时将显示该视图。一旦你执行dat <- tbl(sc, "table_name")
然后它应该从那里更平稳的航行。
由于这不是sparklyr
解决方案(但更多的是Hive解决方案),我不会接受这个答案。
这是另一个不依赖于Hive的选项(至少直接来说,LATERAL VIEW explode()
是一个蜂巢的东西)。
tf %>%
sdf_mutate(ft_sql_transformer(
b, paste0("SELECT trkKey, a.fld1 as fld1, a.fld2 as fld2",
"FROM __THIS__ LATERAL VIEW explode(__THIS__.meta) x AS a")))
我不会接受这个答案,因为我仍然希望看到类似的东西:
tf %>%
sdf_mutate(a=ft_explode(meta))
但这需要支持嵌套的select语句。或许类似于tidyr::unnest
语法可以解决这个问题:
tf %>%
sdf_mutate(a=ft_explode(meta)) %>%
unnest(a)
我终于得到了答案。见https://mitre.github.io/sparklyr.nested/(来源:https://github.com/mitre/sparklyr.nested)
tf %>%
sdf_unnest(meta)
这与Spark数据帧的行为类似于tidyr::unnest
对本地数据帧的行为。还实现了嵌套的选择和爆炸操作。
更新:
as @ cem-bilge notes explode
可以在mutate
中使用。这在数组简单(字符或数字)但在其他情况下不太好的情况下有效。
iris2 <- copy_to(sc, iris, name="iris")
iris_nst <- iris2 %>%
sdf_nest(Sepal_Length, Sepal_Width, Petal.Length, Petal.Width, .key="data") %>%
group_by(Species) %>%
summarize(data=collect_list(data))
然后
iris_nst %>% mutate(data = explode(data)) %>% sdf_schema_viewer()
产生
字段仍然嵌套(虽然爆炸),而sdf_unnest
产量
iris_nst %>% sdf_unnest(data) %>% sdf_schema_viewer()
你也可以直接在explode()
中使用mutate()
来扩展sparklyr中的数组。
df %>%
mutate(my_values = explode(my_array))
注意:此处不需要sparklyr.nested。