在窗口（Scala）上标识列的重复值

Question

我有一个包含两列的数据框：“ID”和“Amount”，每行代表一个特定ID的交易和交易金额。我的示例使用以下DF：

val df = sc.parallelize(Seq((1, 120),(1, 120),(2, 40),
  (2, 50),(1, 30),(2, 120))).toDF("ID","Amount")

我想创建一个新列，用于标识所述金额是否为重复值，即是否出现在同一ID的任何其他事务中。

我已经找到了一种更普遍的方法，即在整个列“Amount”中，不考虑ID，使用以下函数：

def recurring_amounts(df: DataFrame, col: String) : DataFrame = {
  var df_to_arr = df.select(col).rdd.map(r => r(0).asInstanceOf[Double]).collect()
  var arr_to_map = df_to_arr.groupBy(identity).mapValues(_.size)
  var map_to_df = arr_to_map.toSeq.toDF(col, "Count")
  var df_reformat = map_to_df.withColumn("Amount", $"Amount".cast(DoubleType))
  var df_out = df.join(df_reformat, Seq("Amount"))
  return df_new
}

val df_output = recurring_amounts(df, "Amount")

返回：

+---+------+-----+
|ID |Amount|Count|
+---+------+-----+
| 1 | 120  |  3  |
| 1 | 120  |  3  |
| 2 |  40  |  1  |
| 2 |  50  |  1  | 
| 1 |  30  |  1  |
| 2 | 120  |  3  |
+---+------+-----+

然后，我可以使用它来创建我想要的二进制变量，以指示金额是否重复出现（是，如果> 1，否则没有）。

但是，我的问题在这个例子中由值120说明，它是ID 1但不是ID 2的重复。因此，我想要的输出是：

 +---+------+-----+
|ID |Amount|Count|
+---+------+-----+
| 1 | 120  |  2  |
| 1 | 120  |  2  |
| 2 |  40  |  1  |
| 2 |  50  |  1  | 
| 1 |  30  |  1  |
| 2 | 120  |  1  |
+---+------+-----+

我一直试图想办法使用.over(Window.partitionBy("ID")应用函数，但不知道如何去做。任何提示都将非常感激。

Answer 1

如果你擅长sql，你可以为你的Dataframe编写sql查询。你需要做的第一件事就是将你的Dataframeas注册到spark的内存中。之后，您可以在表的顶部编写sql。请注意，spark是spark会话变量。

val df = sc.parallelize(Seq((1, 120),(1, 120),(2, 40),(2, 50),(1, 30),(2, 120))).toDF("ID","Amount")
df.registerTempTable("transactions")
spark.sql("select *,count(*) over(partition by ID,Amount) as Count from transactions").show()

请让我知道，如果你有任何问题。