Spark 系列（十一）—— Spark SQL 聚合函數 Aggregations

1、簡單聚合

1.1 數據準備

// 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()

注：emp.json 能夠從本倉庫的resources 目錄下載。

1.2 count

// 計算員工人數
empDF.select(count("ename")).show()

1.3 countDistinct

// 計算姓名不重複的員工人數
empDF.select(countDistinct("deptno")).show()

1.4 approx_count_distinct

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。

empDF.select(approx_count_distinct ("ename",0.1)).show()

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()

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()

1.7 sum & sumDistinct

求和以及求指定列全部不相同的值的和。

empDF.select(sum("sal")).show()
empDF.select(sumDistinct("sal")).show()

1.8 avg

內置的求平均數的函數。

empDF.select(avg("sal")).show()

1.9 數學函數

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：

// 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()

1.10 聚合數據到集合

scala>  empDF.agg(collect_set("job"), collect_list("ename")).show()

輸出：
+--------------------+--------------------+
|    collect_set(job)| collect_list(ename)|
+--------------------+--------------------+
|[MANAGER, SALESMA...|[SMITH, ALLEN, WA...|
+--------------------+--------------------+

2、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|
+------+---------+-----+

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|
+------+----+------+

3、自定義聚合函數

Scala 提供了兩種自定義聚合函數的方法，分別以下：

• 有類型的自定義聚合函數，主要適用於 DataSet；
• 無類型的自定義聚合函數，主要適用於 DataFrame。

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：

3.1 有類型的自定義函數

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)
    }
}

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：

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：

• 自定義類型 Case Class 或者元組就使用 Encoders.product 方法；
• 基本類型就使用其對應名稱的方法，如 scalaByte，scalaFloat，scalaShort 等，示例以下：

override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
override def outputEncoder: Encoder[Double] = Encoders.scalaDouble

3.2 無類型的自定義聚合函數

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)
  }
}

參考資料

1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02

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