scala - 使用Spark访问数据框中的列

Question

我正在使用SCALA开发SPARK 1.6.1版本，并且遇到了一个异常问题。当使用在同一执行过程中创建的现有列创建新列时，获取“ org.apache.spark.sql.AnalysisException”。
加工：。

 val resultDataFrame = dataFrame.withColumn("FirstColumn",lit(2021)).withColumn("SecondColumn",when($"FirstColumn" - 2021 === 0, 1).otherwise(10))
    resultDataFrame.printSchema().

不工作

val resultDataFrame = dataFrame.withColumn("FirstColumn",lit(2021)).withColumn("SecondColumn",when($"FirstColumn" - **max($"FirstColumn")** === 0, 1).otherwise(10))
resultDataFrame.printSchema().

在这里，我使用在同一执行过程中创建的FirstColumn创建我的SecondColumn。问题是为什么在使用avg / max函数时它不起作用。请让我知道我该如何解决这个问题。

Answer 1

如果要将聚合函数与“普通”列一起使用，则这些函数应位于groupBy之后或带有Window定义子句。在这些情况下，它们毫无意义。例子：

val result = df.groupBy($"col1").max("col2").as("max") // This works

在上述情况下，生成的DataFrame将同时具有“ col1”和“ max”作为列。

val max = df.select(min("col2"), max("col2")) 

之所以可行，是因为查询中只有聚合函数。但是，以下操作无效：

val result = df.filter($"col1" === max($"col2"))

因为我正在尝试将非聚合列与聚合列混合使用。

如果要比较汇总值的列，可以尝试加入：

val maxDf = df.select(max("col2").as("maxValue"))
val joined = df.join(maxDf)
val result = joined.filter($"col1" === $"maxValue").drop("maxValue")

甚至使用简单的值：

val maxValue = df.select(max("col2")).first.get(0)
val result = filter($"col1" === maxValue)