apache-spark - Spark : How to group by distinct values in DataFrame

Question

我在文件中有以下格式的数据:

1,32    
1,33
1,44
2,21
2,56
1,23

我正在执行的代码如下:

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

import spark.implicits._
import sqlContext.implicits._

case class Person(a: Int, b: Int)

val ppl = sc.textFile("newfile.txt").map(_.split(","))
    .map(p=> Person(p(0).trim.toInt, p(1).trim.toInt))
    .toDF()
ppl.registerTempTable("people")

val result = ppl.select("a","b").groupBy('a).agg()
result.show

预期输出是:

a 32, 33, 44, 23

b 21, 56 

而不是通过总和、计数、平均值等进行聚合。我想要行中的每个元素。

Answer 1

尝试在 agg() 中使用 collect_set 函数

val df = sc.parallelize(Seq(
  (1,3), (1,6), (1,5), (2,1),(2,4)
  (2,1))).toDF("a","b")

+---+---+
|  a|  b|
+---+---+
|  1|  3|
|  1|  6|
|  1|  5|
|  2|  1|
|  2|  4|
|  2|  1|
+---+---+

val df2 = df.groupBy("a").agg(collect_set("b")).show()

+---+--------------+
|  a|collect_set(b)|
+---+--------------+
|  1|     [3, 6, 5]|
|  2|        [1, 4]|
+---+--------------+

如果你想要重复条目，可以使用collect_list

val df3 = df.groupBy("a").agg(collect_list("b")).show() 

+---+---------------+
|  a|collect_list(b)|
+---+---------------+
|  1|      [3, 6, 5]|
|  2|      [1, 4, 1]|
+---+---------------+