hadoop - 窗口函数不适用于 Pyspark sqlcontext

Question

我有一个数据框，我想将数据汇总到 7 天内并对某些函数进行一些聚合。

我有一个 pyspark sql 数据框，比如 ------

Sale_Date|P_1|P_2|P_3|G_1|G_2|G_3|Total_Sale|Sale_Amt|Promo_Disc_Amt  |

|2013-04-10| 1| 9| 1| 1| 1| 1| 1| 295.0|0.0|
|2013-04-11| 1| 9| 1| 1| 1| 1| 3| 567.0|0.0| 
|2013-04-12| 1| 9| 1| 1| 1| 1| 2| 500.0|200.0|   
|2013-04-13| 1| 9| 1| 1| 1| 1| 1| 245.0|20.0| 
|2013-04-14| 1| 9| 1| 1| 1| 1| 1| 245.0|0.0|
|2013-04-15| 1| 9| 1| 1| 1| 1| 2| 500.0|200.0|  
|2013-04-16| 1| 9| 1| 1| 1| 1| 1| 250.0|0.0|  

我在数据框上应用了一个窗口函数，如下所示 -

days = lambda i: i * 86400
windowSp = Window().partitionBy(dataframeOfquery3["P_1"],dataframeOfquery3["P_2"],dataframeOfquery3["P_3"],dataframeOfquery3["G_1"],dataframeOfquery3["G_2"],dataframeOfquery3["G_3"])\
          .orderBy(dataframeOfquery3["Sale_Date"].cast("timestamp").cast("long").desc())\
          .rangeBetween(-(days(7)), 0)

现在我想执行一些聚合，即应用一些窗口函数，如下所示 --

df = dataframeOfquery3.select(min(dataframeOfquery3["Sale_Date"].over(windowSp).alias("Sale_Date")))
df.show()

但它给出了以下错误。

py4j.protocol.Py4JJavaError: An error occurred while calling o138.select.
: org.apache.spark.sql.AnalysisException: Could not resolve window function 'min'. Note that, using window functions currently requires a HiveContext;

我正在使用在 Hadoop 上预构建的 Apache Spark 1.6.0。

Answer 1

错误说明了一切:

py4j.protocol.Py4JJavaError: An error occurred while calling o138.select.
: org.apache.spark.sql.AnalysisException: Could not resolve window function 'min'. Note that, using window functions currently requires a HiveContext;

你需要一个支持 hive 的 spark 版本(使用 hive 构建)而不是你可以声明一个 hivecontext :

val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)

然后使用该上下文来执行您的窗口函数。

在 python 中:

# sc is an existing SparkContext.
from pyspark.sql import HiveContext
sqlContext = HiveContext(sc)

您可以进一步阅读 SQLContext 和 HiveContext 之间的区别 here .

SparkSQL 有一个 SQLContext 和一个 HiveContext。 HiveContext 是SQLContext 的超集。 Spark 社区建议使用 HiveContext。您可以看到，当您运行交互式驱动程序应用程序 spark-shell 时，它会自动创建一个定义为 sc 的 SparkContext 和一个定义为 sqlContext 的 HiveContext。 HiveContext 允许您执行 SQL 查询以及 Hive 命令。 pyspark 也会出现相同的行为。