apache-spark - 如何转置数据帧以计算值是否存在的标志？

Question

我有一个看起来像这样的数据名望

Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL
.......
10000|DPS123|OTH

UserID 是标识用户的列，TypeExp 列定义了该月的支出类型，现在我可能有 5 种不同的支出，即

TypeExpList=[MOVIE,GAMES,CLOTHING,MEDICAL,OTH]

现在我想将它转换为用户级数据帧，其中有一个 0 或 1 二进制变量存储信息天气与否用户“X”已完成上述支出类型

例如在上面的快照数据帧输出应该看起来像

User| TypeExpList         #Type list is this array corresponding entry's [MOVIE,GAMES,CLOTHING,MEDICAL,OTH]
JAS123 |[1,0,1,0,1]      #since user has done expenditure on Movie,CLOTHING,OTHER Category 
ASP123 |[0,1,0,1,0]       #since User expenditure on  GAMES & MEDICAL
DPS123 |[1,0,1,0,1]         #since user expenditure on  MOVIE,CLOTHING & OTHER
POQ133 |[0,0,0,1,0]        #since User Expenditure on MEDICAL only 

Answer 1

这是你的输入数据集。

$ cat input.csv
Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL

有了这个，你做 pivot在 groupBy在 UserID .

val bins = spark
  .read
  .option("sep", "|")
  .option("header", true)
  .csv("input.csv")
  .groupBy("UserID")
  .pivot("TypeExp")
  .count
  .na
  .fill(0)
scala> bins.show
+------+--------+-----+-------+-----+---+
|UserID|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|POQ133|       0|    0|      1|    0|  0|
|JAS123|       1|    0|      0|    1|  1|
|DPS123|       1|    0|      0|    1|  0|
|ASP123|       0|    1|      1|    0|  0|
+------+--------+-----+-------+-----+---+

你有你的 0 s 和 1 s。最后一个技巧是使用 array在列上构建适当的输出，其中位置表示支出。

val solution = bins.select(
  $"UserID" as "User",
  array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

鉴于支出可能发生零次、一次或多次， count超支可以给 0 , 1或更高的数字。

您可以使用 UDF 对值进行二值化并确保只有 0 s 和 1 s 被使用。

val binarizer = udf { count: Long => if (count > 0) 1 else 0 }
val binaryCols = bins
  .columns
  .filterNot(_ == "UserID")
  .map(col)
  .map(c => binarizer(c) as c.toString)
val selectCols = ($"UserID" as "User") +: binaryCols
val solution = bins
  .select(selectCols: _*)
  .select(
    $"User",
    array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+