Spark 系列(十一)—— Spark SQL 聚合函式 Aggregations
阿新 • • 發佈:2019-12-31
一、簡單聚合
1.1 資料準備
// 需要匯入 spark sql 內建的函式包
import org.apache.spark.sql.functions._
val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate()
val empDF = spark.read.json("/usr/file/json/emp.json")
// 註冊為臨時檢視,用於後面演示 SQL 查詢
empDF.createOrReplaceTempView("emp")
empDF.show()
複製程式碼
注:emp.json 可以從本倉庫的resources 目錄下載。
1.2 count
// 計算員工人數
empDF.select(count("ename")).show()
複製程式碼
1.3 countDistinct
// 計算姓名不重複的員工人數
empDF.select(countDistinct("deptno")).show()
複製程式碼
1.4 approx_count_distinct
通常在使用大型資料集時,你可能關注的只是近似值而不是準確值,這時可以使用 approx_count_distinct 函式,並可以使用第二個引數指定最大允許誤差。
empDF.select(approx_count_distinct ("ename" ,0.1)).show()
複製程式碼
1.5 first & last
獲取 DataFrame 中指定列的第一個值或者最後一個值。
empDF.select(first("ename"),last("job")).show()
複製程式碼
1.6 min & max
獲取 DataFrame 中指定列的最小值或者最大值。
empDF.select(min("sal"),max("sal")).show()
複製程式碼
1.7 sum & sumDistinct
求和以及求指定列所有不相同的值的和。
empDF.select(sum("sal")).show()
empDF.select(sumDistinct("sal" )).show()
複製程式碼
1.8 avg
內建的求平均數的函式。
empDF.select(avg("sal")).show()
複製程式碼
1.9 數學函式
Spark SQL 中還支援多種數學聚合函式,用於通常的數學計算,以下是一些常用的例子:
// 1.計算總體方差、均方差、總體標準差、樣本標準差
empDF.select(var_pop("sal"),var_samp("sal"),stddev_pop("sal"),stddev_samp("sal")).show()
// 2.計算偏度和峰度
empDF.select(skewness("sal"),kurtosis("sal")).show()
// 3. 計算兩列的皮爾遜相關係數、樣本協方差、總體協方差。(這裡只是演示,員工編號和薪資兩列實際上並沒有什麼關聯關係)
empDF.select(corr("empno","sal"),covar_samp("empno",covar_pop("empno","sal")).show()
複製程式碼
1.10 聚合資料到集合
scala> empDF.agg(collect_set("job"),collect_list("ename")).show()
輸出:
+--------------------+--------------------+
| collect_set(job)| collect_list(ename)|
+--------------------+--------------------+
|[MANAGER,SALESMA...|[SMITH,ALLEN,WA...|
+--------------------+--------------------+
複製程式碼
二、分組聚合
2.1 簡單分組
empDF.groupBy("deptno","job").count().show()
//等價 SQL
spark.sql("SELECT deptno,job,count(*) FROM emp GROUP BY deptno,job").show()
輸出:
+------+---------+-----+
|deptno| job|count|
+------+---------+-----+
| 10|PRESIDENT| 1|
| 30| CLERK| 1|
| 10| MANAGER| 1|
| 30| MANAGER| 1|
| 20| CLERK| 2|
| 30| SALESMAN| 4|
| 20| ANALYST| 2|
| 10| CLERK| 1|
| 20| MANAGER| 1|
+------+---------+-----+
複製程式碼
2.2 分組聚合
empDF.groupBy("deptno").agg(count("ename").alias("人數"),sum("sal").alias("總工資")).show()
// 等價語法
empDF.groupBy("deptno").agg("ename"->"count","sal"->"sum").show()
// 等價 SQL
spark.sql("SELECT deptno,count(ename),sum(sal) FROM emp GROUP BY deptno").show()
輸出:
+------+----+------+
|deptno|人數|總工資|
+------+----+------+
| 10| 3|8750.0|
| 30| 6|9400.0|
| 20| 5|9375.0|
+------+----+------+
複製程式碼
三、自定義聚合函式
Scala 提供了兩種自定義聚合函式的方法,分別如下:
- 有型別的自定義聚合函式,主要適用於 DataSet;
- 無型別的自定義聚合函式,主要適用於 DataFrame。
以下分別使用兩種方式來自定義一個求平均值的聚合函式,這裡以計算員工平均工資為例。兩種自定義方式分別如下:
3.1 有型別的自定義函式
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{Encoder,Encoders,SparkSession,functions}
// 1.定義員工類,對於可能存在 null 值的欄位需要使用 Option 進行包裝
case class Emp(ename: String,comm: scala.Option[Double],deptno: Long,empno: Long,hiredate: String,job: String,mgr: scala.Option[Long],sal: Double)
// 2.定義聚合操作的中間輸出型別
case class SumAndCount(var sum: Double,var count: Long)
/* 3.自定義聚合函式
* @IN 聚合操作的輸入型別
* @BUF reduction 操作輸出值的型別
* @OUT 聚合操作的輸出型別
*/
object MyAverage extends Aggregator[Emp,SumAndCount,Double] {
// 4.用於聚合操作的的初始零值
override def zero: SumAndCount = SumAndCount(0,0)
// 5.同一分割槽中的 reduce 操作
override def reduce(avg: SumAndCount,emp: Emp): SumAndCount = {
avg.sum += emp.sal
avg.count += 1
avg
}
// 6.不同分割槽中的 merge 操作
override def merge(avg1: SumAndCount,avg2: SumAndCount): SumAndCount = {
avg1.sum += avg2.sum
avg1.count += avg2.count
avg1
}
// 7.定義最終的輸出型別
override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count
// 8.中間型別的編碼轉換
override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
// 9.輸出型別的編碼轉換
override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}
object SparkSqlApp {
// 測試方法
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
import spark.implicits._
val ds = spark.read.json("file/emp.json").as[Emp]
// 10.使用內建 avg() 函式和自定義函式分別進行計算,驗證自定義函式是否正確
val myAvg = ds.select(MyAverage.toColumn.name("average_sal")).first()
val avg = ds.select(functions.avg(ds.col("sal"))).first().get(0)
println("自定義 average 函式 : " + myAvg)
println("內建的 average 函式 : " + avg)
}
}
複製程式碼
自定義聚合函式需要實現的方法比較多,這裡以繪圖的方式來演示其執行流程,以及每個方法的作用:
關於 zero
,reduce
,merge
,finish
方法的作用在上圖都有說明,這裡解釋一下中間型別和輸出型別的編碼轉換,這個寫法比較固定,基本上就是兩種情況:
- 自定義型別 Case Class 或者元組就使用
Encoders.product
方法; - 基本型別就使用其對應名稱的方法,如
scalaByte
,scalaFloat
,scalaShort
等,示例如下:
override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
複製程式碼
3.2 無型別的自定義聚合函式
理解了有型別的自定義聚合函式後,無型別的定義方式也基本相同,程式碼如下:
import org.apache.spark.sql.expressions.{MutableAggregationBuffer,UserDefinedAggregateFunction}
import org.apache.spark.sql.types._
import org.apache.spark.sql.{Row,SparkSession}
object MyAverage extends UserDefinedAggregateFunction {
// 1.聚合操作輸入引數的型別,欄位名稱可以自定義
def inputSchema: StructType = StructType(StructField("MyInputColumn",LongType) :: Nil)
// 2.聚合操作中間值的型別,欄位名稱可以自定義
def bufferSchema: StructType = {
StructType(StructField("sum",LongType) :: StructField("MyCount",LongType) :: Nil)
}
// 3.聚合操作輸出引數的型別
def dataType: DataType = DoubleType
// 4.此函式是否始終在相同輸入上返回相同的輸出,通常為 true
def deterministic: Boolean = true
// 5.定義零值
def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = 0L
buffer(1) = 0L
}
// 6.同一分割槽中的 reduce 操作
def update(buffer: MutableAggregationBuffer,input: Row): Unit = {
if (!input.isNullAt(0)) {
buffer(0) = buffer.getLong(0) + input.getLong(0)
buffer(1) = buffer.getLong(1) + 1
}
}
// 7.不同分割槽中的 merge 操作
def merge(buffer1: MutableAggregationBuffer,buffer2: Row): Unit = {
buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
}
// 8.計算最終的輸出值
def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
}
object SparkSqlApp {
// 測試方法
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
// 9.註冊自定義的聚合函式
spark.udf.register("myAverage",MyAverage)
val df = spark.read.json("file/emp.json")
df.createOrReplaceTempView("emp")
// 10.使用自定義函式和內建函式分別進行計算
val myAvg = spark.sql("SELECT myAverage(sal) as avg_sal FROM emp").first()
val avg = spark.sql("SELECT avg(sal) as avg_sal FROM emp").first()
println("自定義 average 函式 : " + myAvg)
println("內建的 average 函式 : " + avg)
}
}
複製程式碼
參考資料
- Matei Zaharia,Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
更多大資料系列文章可以參見 GitHub 開源專案: 大資料入門指南