scala – 如何在单个查询中计算不同类型列的流数据帧的统计信息

发布时间：2020-12-16 18:44:43 所属栏目：安全来源：网络整理

导读：我有一个流数据帧有三列时间col1,col2. +-----------------------+-------------------+--------------------+|time |col1 |col2 |+-----------------------+-------------------+--------------------+|2018-01-10 15:27:21.289|0.4988615628926717 |0.1926

我有一个流数据帧有三列时间col1,col2.

+-----------------------+-------------------+--------------------+
|time                   |col1               |col2                |
+-----------------------+-------------------+--------------------+
|2018-01-10 15:27:21.289|0.4988615628926717 |0.1926744113882285  |
|2018-01-10 15:27:22.289|0.5430687338123434 |0.17084552928040175 |
|2018-01-10 15:27:23.289|0.20527770821641478|0.2221980020202523  |
|2018-01-10 15:27:24.289|0.130852802747647  |0.5213147910202641  |
+-----------------------+-------------------+--------------------+

col1和col2的数据类型是可变的.它可以是字符串或数字数据类型.
所以我必须计算每列的统计数据.
对于字符串列,仅计算有效计数和无效计数.
对于timestamp列,仅计算min&最大.
对于数字类型列,计算最小值,最大值,平均值和平均值.
我必须在一个查询中计算所有统计信息.
现在,我已经为每种类型的列分别计算了三个查询.

解决方法

枚举您想要的案例并选择.例如,如果stream定义为：

import org.apache.spark.sql.types._
import org.apache.spark.sql.functions._
import org.apache.spark.sql.Column

val schema = StructType(Seq(
  StructField("v",TimestampType),StructField("x",IntegerType),StructField("y",StringType),StructField("z",DecimalType(10,2))
))

val df = spark.readStream.schema(schema).format("csv").load("/tmp/foo")

结果将是

val stats = df.select(df.dtypes.flatMap {
  case (c,"StringType") => 
    Seq(count(c) as s"valid_${c}",count("*") - count(c) as s"invalid_${c}")
  case (c,t) if Seq("TimestampType","DateType") contains t => 
    Seq(min(c),max(c))
  case (c,t) if (Seq("FloatType","DoubleType","IntegerType") contains t) || t.startsWith("DecimalType") => 
    Seq(min(c),max(c),avg(c),stddev(c))
  case _ => Seq.empty[Column]
}: _*)

// root
//  |-- min(v): timestamp (nullable = true)
//  |-- max(v): timestamp (nullable = true)
//  |-- min(x): integer (nullable = true)
//  |-- max(x): integer (nullable = true)
//  |-- avg(x): double (nullable = true)
//  |-- stddev_samp(x): double (nullable = true)
//  |-- valid_y: long (nullable = false)
//  |-- invalid_y: long (nullable = false)
//  |-- min(z): decimal(10,2) (nullable = true)
//  |-- max(z): decimal(10,2) (nullable = true)
//  |-- avg(z): decimal(14,6) (nullable = true)
//  |-- stddev_samp(z): double (nullable = true)

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!