// 須要導入 spark sql 內置的函數包
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")
// 註冊爲臨時視圖,用於後面演示 SQL 查詢
empDF.createOrReplaceTempView("emp")
empDF.show()
複製代碼
注:emp.json 能夠從本倉庫的resources 目錄下載。java
// 計算員工人數
empDF.select(count("ename")).show()
複製代碼
// 計算姓名不重複的員工人數
empDF.select(countDistinct("deptno")).show()
複製代碼
一般在使用大型數據集時,你可能關注的只是近似值而不是準確值,這時可使用 approx_count_distinct 函數,並可使用第二個參數指定最大容許偏差。git
empDF.select(approx_count_distinct ("ename",0.1)).show()
複製代碼
獲取 DataFrame 中指定列的第一個值或者最後一個值。github
empDF.select(first("ename"),last("job")).show()
複製代碼
獲取 DataFrame 中指定列的最小值或者最大值。sql
empDF.select(min("sal"),max("sal")).show()
複製代碼
求和以及求指定列全部不相同的值的和。express
empDF.select(sum("sal")).show()
empDF.select(sumDistinct("sal")).show()
複製代碼
內置的求平均數的函數。apache
empDF.select(avg("sal")).show()
複製代碼
Spark SQL 中還支持多種數學聚合函數,用於一般的數學計算,如下是一些經常使用的例子:json
// 1.計算整體方差、均方差、整體標準差、樣本標準差
empDF.select(var_pop("sal"), var_samp("sal"), stddev_pop("sal"), stddev_samp("sal")).show()
// 2.計算偏度和峯度
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、整體協方差。(這裏只是演示,員工編號和薪資兩列實際上並無什麼關聯關係)
empDF.select(corr("empno", "sal"), covar_samp("empno", "sal"),covar_pop("empno", "sal")).show()
複製代碼
scala> empDF.agg(collect_set("job"), collect_list("ename")).show()
輸出:
+--------------------+--------------------+
| collect_set(job)| collect_list(ename)|
+--------------------+--------------------+
|[MANAGER, SALESMA...|[SMITH, ALLEN, WA...|
+--------------------+--------------------+
複製代碼
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|
+------+---------+-----+
複製代碼
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|
+------+----+------+
複製代碼
Scala 提供了兩種自定義聚合函數的方法,分別以下:app
如下分別使用兩種方式來自定義一個求平均值的聚合函數,這裏以計算員工平均工資爲例。兩種自定義方式分別以下:ide
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 值的字段須要使用 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.定義聚合操做的中間輸出類型 case class SumAndCount(var sum: Double, var count: Long) /* 3.自定義聚合函數 * @IN 聚合操做的輸入類型 * @BUF reduction 操做輸出值的類型 * @OUT 聚合操做的輸出類型 */ object MyAverage extends Aggregator[Emp, SumAndCount, Double] {
// 4.用於聚合操做的的初始零值
override def zero: SumAndCount = SumAndCount(0, 0)
// 5.同一分區中的 reduce 操做
override def reduce(avg: SumAndCount, emp: Emp): SumAndCount = {
avg.sum += emp.sal
avg.count += 1
avg
}
// 6.不一樣分區中的 merge 操做
override def merge(avg1: SumAndCount, avg2: SumAndCount): SumAndCount = {
avg1.sum += avg2.sum
avg1.count += avg2.count
avg1
}
// 7.定義最終的輸出類型
override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count
// 8.中間類型的編碼轉換
override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
// 9.輸出類型的編碼轉換
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.使用內置 avg() 函數和自定義函數分別進行計算,驗證自定義函數是否正確
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 函數 : " + myAvg)
println("內置的 average 函數 : " + avg)
}
}
複製代碼
自定義聚合函數須要實現的方法比較多,這裏以繪圖的方式來演示其執行流程,以及每一個方法的做用:函數
關於 zero
,reduce
,merge
,finish
方法的做用在上圖都有說明,這裏解釋一下中間類型和輸出類型的編碼轉換,這個寫法比較固定,基本上就是兩種狀況:
Encoders.product
方法;scalaByte
,scalaFloat
,scalaShort
等,示例以下:override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
複製代碼
理解了有類型的自定義聚合函數後,無類型的定義方式也基本相同,代碼以下:
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.聚合操做輸入參數的類型,字段名稱能夠自定義
def inputSchema: StructType = StructType(StructField("MyInputColumn", LongType) :: Nil)
// 2.聚合操做中間值的類型,字段名稱能夠自定義
def bufferSchema: StructType = {
StructType(StructField("sum", LongType) :: StructField("MyCount", LongType) :: Nil)
}
// 3.聚合操做輸出參數的類型
def dataType: DataType = DoubleType
// 4.此函數是否始終在相同輸入上返回相同的輸出,一般爲 true
def deterministic: Boolean = true
// 5.定義零值
def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = 0L
buffer(1) = 0L
}
// 6.同一分區中的 reduce 操做
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.不一樣分區中的 merge 操做
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數
spark.udf.register("myAverage", MyAverage)
val df = spark.read.json("file/emp.json")
df.createOrReplaceTempView("emp")
// 10.使用自定義函數和內置函數分別進行計算
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 函數 : " + myAvg)
println("內置的 average 函數 : " + avg)
}
}
複製代碼
更多大數據系列文章能夠參見 GitHub 開源項目: 大數據入門指南