sql - 使用 Spark DataFrame 获取一组后所有组的 TopN

Question

我有一个 Spark SQL 数据帧:

user1 item1 rating1
user1 item2 rating2
user1 item3 rating3
user2 item1 rating4
...

如何按用户分组然后返回 TopN使用 Scala 的每个组的项目？

使用 Python 的相似代码:

df.groupby("user").apply(the_func_get_TopN)

Answer 1

您可以使用 rank窗口函数如下

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions.{rank, desc}

val n: Int = ???

// Window definition
val w = Window.partitionBy($"user").orderBy(desc("rating"))

// Filter
df.withColumn("rank", rank.over(w)).where($"rank" <= n)

如果你不在乎领带，那么你可以替换 rank与 row_number