hadoop - 获取 Apache Pig 中每 N 个元组的平均值

Question

假设我有一个包含两列CUSTTYPE 和AMOUNT 的表。我想添加第三列 NTILE 然后我可以对其进行分组并使用它来获得我的平均值，如下所示:

CUSTTYPE | AMOUNT  | NTILE
----------+---------+----------
 RETAIL   |   78.00 |   1
 RETAIL   |  234.00 |   1
 RETAIL   |  249.00 |   1
 RETAIL   |  278.00 |   2
 RETAIL   |  392.00 |   2
 RETAIL   |  498.00 |   2
 RETAIL   |  500.00 |   3
 RETAIL   |  738.00 |   3
 RETAIL   | 1250.00 |   3
 RETAIL   | 2029.00 |   4
 RETAIL   | 2393.00 |   4
 RETAIL   | 3933.00 |   4

本质上，我试图取每 n 个项的平均值(这里，n=3):

CUSTTYPE | AMOUNT  | NTILE
----------+---------+----------
 RETAIL   | 187.00 |   1
 RETAIL   | 389.33 |   2
 RETAIL   | 829.33 |   3
 RETAIL   | 2785.0 |   4

来自 Pig 引用 here ，这似乎可以使用 Over() 来实现，但我找不到如何完成此操作的示例。想法？

Answer 1

您可以使用 RANK 运算符对数据的每条记录进行排名:

http://pig.apache.org/docs/r0.14.0/basic.html#rank

像这样:

A = LOAD 'path' AS (schema);
B = RANK A;

然后将每个排名除以 3:

C = FOREACH B generate ($0 + 1) / 3 as NTILE, CUSTTYPE, AMOUNT;