ここには、dplyr
パッケージのSQLクエリとmutate
の機能を持つ部分的に機能するソリューションがあります。それはあなたのベースRソリューションの翻訳であるため、連続した行の複数のNA値の状況には対処しませんが、他の(より完全な)アプローチには役立つかもしれません。
私はHiveQLのLag and Lead関数を使用して、列の "シフト"を実行しました。これには、「Numb1」と「Numb2」の列を保持する新しい補助Sparkテーブル(example2)の作成が含まれます。補助テーブルが作成された後に続いて、あなたはサイドノートとしてmutate
library(DBI)
library(sparklyr)
library(dplyr)
set.seed(1)
exampleDF <- data.frame (ID = 1:10, Cat = letters[1:5],
Numb = sample(c(NA, NA, NA, NA, 1:10), 10))
# Connection to Spark and creation of the table to test.
sc <- spark_connect("local")
example <- copy_to(sc, exampleDF)
# Create a Spark table with columns Numb1 and Numb2
DBI::dbSendQuery(sc, "CREATE TABLE example2 AS (SELECT ID, Cat, Numb, LAG(Numb, 1) over (PARTITION BY 1 ORDER BY ID) AS Numb1,
LEAD(Numb, 1) over (PARTITION BY 1 ORDER BY ID) AS Numb2 FROM exampledf)")
# Load the auxiliary table as a Spark DataFrame
ex2 <- tbl(sc, "example2")
# Mutate in order to create the Merged column
res <- ex2 %>%
mutate(Merged = ifelse(is.na(Numb), ifelse(is.na(Numb1), Numb2, Numb1), Numb))
res
# Source: lazy query [?? x 6]
# Database: spark_connection
id cat numb numb1 numb2 Merged
<int> <chr> <int> <int> <int> <int>
1 1 a NA NA 1 1
2 2 b 1 NA 3 1
3 3 c 3 1 6 3
4 4 d 6 3 NA 6
5 5 e NA 6 5 6
6 6 a 5 NA 4 5
7 7 b 4 5 9 4
8 8 c 9 4 10 9
9 9 d 10 9 NA 10
10 10 e NA 10 NA 10
で「合併」の列を作成することができます、またmutate
機能(およびすべてのifelse
S)の使用を避けることができることにより、機能はCOALESCE
です。私はこれがはるかに効率的だと思います。
DBI::dbGetQuery(sc, "SELECT ID, Cat, Numb, COALESCE(Numb, Numb1, Numb2) AS Merged FROM example2")
ID Cat Numb Merged
1 1 a NA 1
2 2 b 1 1
3 3 c 3 3
4 4 d 6 6
5 5 e NA 6
6 6 a 5 5
7 7 b 4 4
8 8 c 9 9
9 9 d 10 10
10 10 e NA 10
これが役立ちます。あなたがすべてでSQLを使用しないようにしたい場合は、あなたがdplyr
関数でもそれを行うことができます
編集
:
example %>% arrange(ID) %>%
mutate(Numb1 = lag(Numb, 1)) %>%
mutate(Numb2 = lead(Numb, 1L)) %>%
mutate(Merged = ifelse(is.na(Numb), ifelse(is.na(Numb1), Numb2, Numb1), Numb))
# Source: lazy query [?? x 6]
# Database: spark_connection
# Ordered by: ID
ID Cat Numb Numb1 Numb2 Merged
<int> <chr> <int> <int> <int> <int>
1 1 a NA NA 1 1
2 2 b 1 NA 3 1
3 3 c 3 1 6 3
4 4 d 6 3 NA 6
5 5 e NA 6 5 6
6 6 a 5 NA 4 5
7 7 b 4 5 9 4
8 8 c 9 4 10 9
9 9 d 10 9 NA 10
10 10 e NA 10 NA 10
# ... with more rows
私はいくつかのトラブル二つの連続mutate
符号化機能を持っていた(私が使用理由です最初は混合SQL-dplyrアプローチ)。私はsparklyrにissueを開いてしまった。
私は遅延と鉛が最も有用なものだと思います!ありがとうJaime! –
@KevinZhengよろしくお願いします。:-) –