0
異なる方法で集約各フィールド:Pyspark集約 - Iは、4つの基本的なフィールド有するいくつかのデータ持っ
- フィールド1 2は、すべてのユニークな値の集合であるべきである
- フィールドデータのキーでありますこのフィールド
- フィールド3の最小値は
オリジナルコードはこのようになります(タイムスタンプ)
data = (
dataframe
.rdd
# flatten rows
.flatMap(lambda x: x)
# Parse JSON
.flatMap(lambda x: encode_json(x))
# Capture values
.map(lambda x: [
# Merge 'field1', 'field2' --> 'field1, field2'
','.join(_ for _ in [x.get('metadata_value'), x.get('field2')]),
# Create pairing of low and high timestamps
[x.get('low'), x.get('high')]
])
# Aggregate into a list of low/high timestamps per 'field1, field2'
.aggregateByKey(list(), lambda u, v: u + [v], lambda u1, u2: u1 + u2)
# Flatten keys 'ip,guid' --> 'ip', 'guid'
.map(lambda x: (x[0].split(',')[0], x[0].split(',')[1], x[1], sum(1 for _ in x[1])))
# Reduce timestamps to single values: [s1, e1], [s2, e2], ... --> s_min, e_max
.map(lambda x: (x[0], x[1], min(_[0] for _ in x[2]), max(_[1] for _ in x[2]), x[3]))
)
オリジナル出力は次のようになります。
a | x| 20160103 | 20160107
a | x013579 | 20160101 | 20160106
新しい出力は次のようになります。
a | {x,x013579} | 20160101 | 20160107