有没有办法用sparklyr处理嵌套数据？

Question

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？

Answer 1

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。

Answer 2

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)

Answer 3

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()

Answer 4

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。