scala - 如何比较多行？

Question

我想比较连续的两行 i与 i-1的 col2 (按 col1 排序)。

如 item_i的i -th 行和 item_[i-1]_row不同，我想增加 item_[i-1] 的计数由 1。

+--------------+
| col1 col2    |
+--------------+
| row_1 item_1 |
| row_2 item_1 |
| row_3 item_2 |
| row_4 item_1 |
| row_5 item_2 |
| row_6 item_1 |
+--------------+

在上面的例子中，如果我们一次向下扫描两行，我们会看到 row_2和 row_3不同，因此我们向 item_1 添加一个。接下来，我们看到 row_3不同于 row_4 ，然后在 item_2 上加一.继续直到我们结束:

+-------------+
|  col2  col3 |
+-------------+
|  item_1  2  |
|  item_2  2  |
+-------------+

Answer 1

您可以使用窗口函数和聚合的组合来执行此操作。窗口函数用于获取col2的下一个值(使用 col1 订购)。然后聚合计算我们遇到差异的次数。这是在下面的代码中实现的:

val data = Seq(
  ("row_1", "item_1"),
  ("row_2", "item_1"),
  ("row_3", "item_2"),
  ("row_4", "item_1"),
  ("row_5", "item_2"),
  ("row_6", "item_1")).toDF("col1", "col2")

import org.apache.spark.sql.expressions.Window
val q = data.
  withColumn("col2_next",
    coalesce(lead($"col2", 1) over Window.orderBy($"col1"), $"col2")).
  groupBy($"col2").
  agg(sum($"col2" =!= $"col2_next" cast "int") as "col3")

scala> q.show
17/08/22 10:15:53 WARN WindowExec: No Partition Defined for Window operation! Moving all data to a single partition, this can cause serious performance degradation.
+------+----+
|  col2|col3|
+------+----+
|item_1|   2|
|item_2|   2|
+------+----+