342 lines
11 KiB
Markdown
342 lines
11 KiB
Markdown
# 聚合函数Aggregations
|
||
|
||
<nav>
|
||
<a href="#一简单聚合">一、简单聚合</a><br/>
|
||
<a href="#11-数据准备">1.1 数据准备</a><br/>
|
||
<a href="#12-count">1.2 count</a><br/>
|
||
<a href="#13-countDistinct">1.3 countDistinct</a><br/>
|
||
<a href="#14-approx_count_distinct">1.4 approx_count_distinct </a><br/>
|
||
<a href="#15-first--last">1.5 first & last </a><br/>
|
||
<a href="#16-min--max">1.6 min & max</a><br/>
|
||
<a href="#17-sum--sumDistinct">1.7 sum & sumDistinct</a><br/>
|
||
<a href="#18-avg">1.8 avg</a><br/>
|
||
<a href="#19-数学函数">1.9 数学函数</a><br/>
|
||
<a href="#110-聚合数据到集合">1.10 聚合数据到集合</a><br/>
|
||
<a href="#二分组聚合">二、分组聚合</a><br/>
|
||
<a href="#21-简单分组">2.1 简单分组</a><br/>
|
||
<a href="#22-分组聚合">2.2 分组聚合</a><br/>
|
||
<a href="#三自定义聚合函数">三、自定义聚合函数</a><br/>
|
||
<a href="#31-有类型的自定义函数">3.1 有类型的自定义函数</a><br/>
|
||
<a href="#32-无类型的自定义聚合函数">3.2 无类型的自定义聚合函数</a><br/>
|
||
</nav>
|
||
|
||
## 一、简单聚合
|
||
|
||
### 1.1 数据准备
|
||
|
||
```scala
|
||
// 需要导入spark sql内置的函数包
|
||
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")
|
||
// 注册为临时视图，用于后面演示SQL查询
|
||
empDF.createOrReplaceTempView("emp")
|
||
empDF.show()
|
||
```
|
||
|
||
> 注：emp.json可以在本仓库的resources目录进行下载。
|
||
|
||
### 1.2 count
|
||
|
||
```scala
|
||
// 计算员工人数
|
||
empDF.select(count("ename")).show()
|
||
```
|
||
|
||
### 1.3 countDistinct
|
||
|
||
```scala
|
||
// 计算姓名不重复的员工人数
|
||
empDF.select(countDistinct("deptno")).show()
|
||
```
|
||
|
||
### 1.4 approx_count_distinct
|
||
|
||
通常在使用大型数据集时，你可能关注的只是近似值而不是准确值，这时可以使用approx_count_distinct函数，并可以使用第二个参数指定最大允许误差。
|
||
|
||
```scala
|
||
empDF.select(approx_count_distinct ("ename",0.1)).show()
|
||
```
|
||
|
||
### 1.5 first & last
|
||
|
||
获取DataFrame中指定列的第一个值或者最后一个值。
|
||
|
||
```scala
|
||
empDF.select(first("ename"),last("job")).show()
|
||
```
|
||
|
||
### 1.6 min & max
|
||
|
||
获取DataFrame中指定列的最小值或者最大值。
|
||
|
||
```scala
|
||
empDF.select(min("sal"),max("sal")).show()
|
||
```
|
||
|
||
### 1.7 sum & sumDistinct
|
||
|
||
求和以及求指定列所有不相同的值的和。
|
||
|
||
```scala
|
||
empDF.select(sum("sal")).show()
|
||
empDF.select(sumDistinct("sal")).show()
|
||
```
|
||
|
||
### 1.8 avg
|
||
|
||
内置的求平均数的函数。
|
||
|
||
```scala
|
||
empDF.select(avg("sal")).show()
|
||
```
|
||
|
||
### 1.9 数学函数
|
||
|
||
Spark SQL中还支持多种数学聚合函数，用于通常的数学计算，以下是一些常用的例子：
|
||
|
||
```scala
|
||
// 1.计算总体方差、均方差、总体标准差、样本标准差
|
||
empDF.select(var_pop("sal"), var_samp("sal"), stddev_pop("sal"), stddev_samp("sal")).show()
|
||
|
||
// 2.计算偏度和峰度
|
||
empDF.select(skewness("sal"), kurtosis("sal")).show()
|
||
|
||
// 3. 计算两列的皮尔逊相关系数、样本协方差、总体协方差。(这里只是演示，员工编号和薪资两列实际上并没有什么关联关系)
|
||
empDF.select(corr("empno", "sal"), covar_samp("empno", "sal"),covar_pop("empno", "sal")).show()
|
||
```
|
||
|
||
### 1.10 聚合数据到集合
|
||
|
||
```scala
|
||
scala> empDF.agg(collect_set("job"), collect_list("ename")).show()
|
||
|
||
输出：
|
||
+--------------------+--------------------+
|
||
| collect_set(job)| collect_list(ename)|
|
||
+--------------------+--------------------+
|
||
|[MANAGER, SALESMA...|[SMITH, ALLEN, WA...|
|
||
+--------------------+--------------------+
|
||
```
|
||
|
||
|
||
|
||
## 二、分组聚合
|
||
|
||
### 2.1 简单分组
|
||
|
||
```scala
|
||
empDF.groupBy("deptno", "job").count().show()
|
||
//等价SQL
|
||
spark.sql("SELECT deptno, job, count(*) FROM emp GROUP BY deptno, job").show()
|
||
|
||
输出：
|
||
+------+---------+-----+
|
||
|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|
|
||
+------+---------+-----+
|
||
```
|
||
|
||
### 2.2 分组聚合
|
||
|
||
```scala
|
||
empDF.groupBy("deptno").agg(count("ename").alias("人数"), sum("sal").alias("总工资")).show()
|
||
// 等价语法
|
||
empDF.groupBy("deptno").agg("ename"->"count","sal"->"sum").show()
|
||
// 等价SQL
|
||
spark.sql("SELECT deptno, count(ename) ,sum(sal) FROM emp GROUP BY deptno").show()
|
||
|
||
输出：
|
||
+------+----+------+
|
||
|deptno|人数|总工资|
|
||
+------+----+------+
|
||
| 10| 3|8750.0|
|
||
| 30| 6|9400.0|
|
||
| 20| 5|9375.0|
|
||
+------+----+------+
|
||
```
|
||
|
||
|
||
|
||
## 三、自定义聚合函数
|
||
|
||
Scala提供了两种自定义聚合函数的方法，分别如下：
|
||
|
||
- 有类型的自定义聚合函数，主要适用于DataSets；
|
||
- 无类型的自定义聚合函数，主要适用于DataFrames。
|
||
|
||
以下分别使用两种方式来自定义一个求平均值的聚合函数，这里以计算员工平均工资为例。两种自定义方式分别如下：
|
||
|
||
### 3.1 有类型的自定义函数
|
||
|
||
```scala
|
||
import org.apache.spark.sql.expressions.Aggregator
|
||
import org.apache.spark.sql.{Encoder, Encoders, SparkSession, functions}
|
||
|
||
// 1.定义员工类,对于可能存在null值的字段需要使用Option进行包装
|
||
case class Emp(ename: String, comm: scala.Option[Double], deptno: Long, empno: Long,
|
||
hiredate: String, job: String, mgr: scala.Option[Long], sal: Double)
|
||
|
||
// 2.定义聚合操作的中间输出类型
|
||
case class SumAndCount(var sum: Double, var count: Long)
|
||
|
||
/* 3.自定义聚合函数
|
||
* @IN 聚合操作的输入类型
|
||
* @BUF reduction操作输出值的类型
|
||
* @OUT 聚合操作的输出类型
|
||
*/
|
||
object MyAverage extends Aggregator[Emp, SumAndCount, Double] {
|
||
|
||
// 4.用于聚合操作的的初始零值
|
||
override def zero: SumAndCount = SumAndCount(0, 0)
|
||
|
||
// 5.同一分区中的reduce操作
|
||
override def reduce(avg: SumAndCount, emp: Emp): SumAndCount = {
|
||
avg.sum += emp.sal
|
||
avg.count += 1
|
||
avg
|
||
}
|
||
|
||
// 6.不同分区中的merge操作
|
||
override def merge(avg1: SumAndCount, avg2: SumAndCount): SumAndCount = {
|
||
avg1.sum += avg2.sum
|
||
avg1.count += avg2.count
|
||
avg1
|
||
}
|
||
|
||
// 7.定义最终的输出类型
|
||
override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count
|
||
|
||
// 8.中间类型的编码转换
|
||
override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
|
||
|
||
// 9.输出类型的编码转换
|
||
override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
|
||
}
|
||
|
||
object SparkSqlApp {
|
||
|
||
// 测试方法
|
||
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.使用内置avg()函数和自定义函数分别进行计算，验证自定义函数是否正确
|
||
val myAvg = ds.select(MyAverage.toColumn.name("average_sal")).first()
|
||
val avg = ds.select(functions.avg(ds.col("sal"))).first().get(0)
|
||
|
||
println("自定义average函数 : " + myAvg)
|
||
println("内置的average函数 : " + avg)
|
||
}
|
||
}
|
||
```
|
||
|
||
自定义聚合函数需要实现的方法比较多，这里以绘图的方式来演示其执行流程，以及每个方法的作用：
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-sql-自定义函数.png"/> </div>
|
||
|
||
|
||
|
||
关于`zero`,`reduce`,`merge`,`finish`方法的作用在上图都有说明，这里解释一下中间类型和输出类型的编码转换，这个写法比较固定，基本上就是两种情况：
|
||
|
||
- 自定义类型case class或者元组就使用`Encoders.product`方法；
|
||
- 基本类型就使用其对应名称的方法，如`scalaByte `，`scalaFloat`，`scalaShort`等。
|
||
|
||
```scala
|
||
override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
|
||
override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
|
||
```
|
||
|
||
|
||
|
||
### 3.2 无类型的自定义聚合函数
|
||
|
||
理解了有类型的自定义聚合函数后，无类型的定义方式也基本相同，代码如下：
|
||
|
||
```scala
|
||
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.聚合操作输入参数的类型,字段名称可以自定义
|
||
def inputSchema: StructType = StructType(StructField("MyInputColumn", LongType) :: Nil)
|
||
|
||
// 2.聚合操作中间值的类型,字段名称可以自定义
|
||
def bufferSchema: StructType = {
|
||
StructType(StructField("sum", LongType) :: StructField("MyCount", LongType) :: Nil)
|
||
}
|
||
|
||
// 3.聚合操作输出参数的类型
|
||
def dataType: DataType = DoubleType
|
||
|
||
// 4.此函数是否始终在相同输入上返回相同的输出,通常为true
|
||
def deterministic: Boolean = true
|
||
|
||
// 5.定义零值
|
||
def initialize(buffer: MutableAggregationBuffer): Unit = {
|
||
buffer(0) = 0L
|
||
buffer(1) = 0L
|
||
}
|
||
|
||
// 6.同一分区中的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.不同分区中的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.计算最终的输出值
|
||
def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
|
||
}
|
||
|
||
object SparkSqlApp {
|
||
|
||
// 测试方法
|
||
def main(args: Array[String]): Unit = {
|
||
|
||
val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
|
||
// 9.注册自定义的聚合函数
|
||
spark.udf.register("myAverage", MyAverage)
|
||
|
||
val df = spark.read.json("file/emp.json")
|
||
df.createOrReplaceTempView("emp")
|
||
|
||
// 10.使用自定义函数和内置函数分别进行计算
|
||
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("自定义average函数 : " + myAvg)
|
||
println("内置的average函数 : " + avg)
|
||
}
|
||
}
|
||
```
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
|
||
|
||
|
||
|