深入认识Apache Spark窗口功能

窗口函数对数据组进行操作，并为每个记录或组返回值

深入了解Apache Spark窗口功能

> Photo by Tom Blackout on Unsplash

在此博客文章中，我们将深入探讨Apache Spark窗口函数。 您可能也对我之前有关Apache Spark的帖子感兴趣。

使用Apache Spark开始您的旅程-第1部分

使用Apache Spark开始您的旅程-第2部分

Apache Spark开始您的旅程-第3部分

深入研究Apache Spark DateTime函数

在Apache Spark中使用JSON

首先，让我们看看什么是窗口函数以及何时使用它们。 我们在Apache Spark中使用了各种功能，例如月份(从日期返回月份)，四舍五入(舍入值)和地板(为给定的输入提供底值)等，这些功能将在每条记录上执行并返回一个值 每条记录。 然后，我们将对一组数据执行各种聚合函数，并为每个组返回一个值，例如sum，avg，min，max和count。 但是，如果我们想对一组数据执行该操作，并且希望对每个记录有一个单一的值/结果怎么办? 在这种情况下，我们可以使用窗口函数。 他们可以定义记录的排名，累积分布，移动平均值，或标识当前记录之前或之后的记录。

让我们使用一些Scala API示例来了解以下窗口函数：

汇总：min, max, avg, count, 和 sum.

排名：rank，dense_rank，percent_rank，row_num和ntile

分析性：cume_dist，lag和lead

自定义边界：rangeBetween和rowsBetween

为便于参考，GitHub上提供了一个以JSON文件格式导出的Zeppelin笔记本和一个Scala文件。

创建Spark DataFrame

现在，我们创建一个示例Spark DataFrame，我们将在整个博客中使用它。 首先，让我们加载所需的库。

import org.apache.spark.sql.expressions.Window 

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

现在，我们将使用一些虚拟数据创建DataFrame，这些虚拟数据将用于讨论各种窗口函数。

case class Salary(depName: String, empNo: Long, salary: Long) 

 

val empsalary = Seq( 

  Salary("sales", 1, 5000), 

  Salary("personnel", 2, 3900), 

  Salary("sales", 3, 4800), 

  Salary("sales", 4, 4800), 

  Salary("personnel", 5, 3500), 

  Salary("develop", 7, 4200), 

  Salary("develop", 8, 6000), 

  Salary("develop", 9, 4500), 

  Salary("develop", 10, 5200), 

  Salary("develop", 11, 5200)).toDF() 

这是我们的DataFrame的样子：

深入了解Apache Spark窗口功能

窗口集合函数

让我们看一些聚合的窗口函数，看看它们如何工作。

首先，我们需要定义窗口的规范。 假设我们要根据部门获取汇总数据。 因此，在此示例中，我们将基于部门名称(列：depname)定义窗口。

为聚合函数创建窗口规范

val byDepName = Window.partitionBy("depName") 

在窗口上应用聚合函数

现在，在部门内(列：depname)，我们可以应用各种聚合函数。 因此，让我们尝试查找每个部门的最高和最低工资。 在这里，我们仅选择了所需的列(depName，max_salary和min_salary)，并删除了重复的记录。

val agg_sal = empsalary 

           .withColumn("max_salary", max("salary").over(byDepName)) 

           .withColumn("min_salary", min("salary").over(byDepName)) 

                 

 

agg_sal.select("depname", "max_salary", "min_salary") 

        .dropDuplicates() 

        .show() 

输出：

+---------+----------+----------+ 

|  depname|max_salary|min_salary| 

+---------+----------+----------+ 

|  develop|      6000|      4200| 

|    sales|      5000|      4800| 

|personnel|      3900|      3500| 

+---------+----------+----------+ 

现在让我们看看它是如何工作的。 我们已经按部门名称对数据进行了分区：

深入了解Apache Spark窗口功能

现在，当我们执行合计函数时，它将应用于每个分区并返回合计值(在本例中为min和max)。

深入了解Apache Spark窗口功能

注意：可用的汇总函数为最大，最小，总和，平均和计数。

窗口排名功能

在本节中，我们将讨论几种类型的排名函数。

创建用于排序功能的窗口规范

现在，我们要根据员工在部门内的薪水进行排名。 薪水最高的员工将排名第一，薪水最低的员工将排名最后。 在这里，我们将基于部门(列：depname)对数据进行分区，并且在部门内，我们将根据薪水以降序对数据进行排序。

val winSpec = Window.partitionBy("depName").orderBy("salary".desc) 

对于每个部门，记录将根据薪水以降序排序。

深入了解Apache Spark窗口功能

1.等级功能：等级

此函数将返回分区中每个记录的等级，并跳过任何重复等级之后的后续等级：

val rank_df = empsalary.withColumn("rank", rank().over(winSpec)) 

rank_df.show() 

输出：

+---------+-----+------+----+ 

|  depName|empNo|salary|rank| 

+---------+-----+------+----+ 

|  develop|    8|  6000|   1| 

|  develop|   11|  5200|   2| 

|  develop|   10|  5200|   2| 

|  develop|    9|  4500|   4| 

|  develop|    7|  4200|   5| 

|    sales|    1|  5000|   1| 

|    sales|    4|  4800|   2| 

|    sales|    3|  4800|   2| 

|personnel|    2|  3900|   1| 

|personnel|    5|  3500|   2| 

+---------+-----+------+----+ 

在这里我们可以看到某些等级重复，而有些等级丢失。 例如，在开发部门中，我们有2名等级= 2的员工，而没有等级= 3的员工，因为等级函数将为相同的值保留相同的等级，并相应地跳过下一个等级。

2.密集等级：densed_rank

此函数将返回分区中每个记录的等级，但不会跳过任何等级。

val dense_rank_df = empsalary.withColumn("dense_rank", dense_rank().over(winSpec)) 

 

dense_rank_df.show() 

输出：

+---------+-----+------+-----------+ 

|  depName|empNo|salary|desnse_rank| 

+---------+-----+------+-----------+ 

|  develop|    8|  6000|          1| 

|  develop|   10|  5200|          2| 

|  develop|   11|  5200|          2| 

|  develop|    9|  4500|          3| 

|  develop|    7|  4200|          4| 

|    sales|    1|  5000|          1| 

|    sales|    3|  4800|          2| 

|    sales|    4|  4800|          2| 

|personnel|    2|  3900|          1| 

|personnel|    5|  3500|          2| 

+---------+-----+------+-----------+ 

在这里，我们可以看到某些等级是重复的，但是排名并没有像我们使用等级功能时那样丢失。 例如，在开发部门中，我们有2名员工，等级=2。density_rank函数将为相同的值保留相同的等级，但不会跳过下一个等级。

3.行号函数：row_number

此功能将在窗口内分配行号。 如果2行的排序列值相同，则不确定将哪个行号分配给具有相同值的每一行。

val row_num_df = empsalary.withColumn("row_number", row_number().over(winSpec)) 

 

row_num_df.show() 

输出：

+---------+-----+------+----------+ 

|  depName|empNo|salary|row_number| 

+---------+-----+------+----------+ 

|  develop|    8|  6000|         1| 

|  develop|   10|  5200|         2| 

|  develop|   11|  5200|         3| 

|  develop|    9|  4500|         4| 

|  develop|    7|  4200|         5| 

|    sales|    1|  5000|         1| 

|    sales|    3|  4800|         2| 

|    sales|    4|  4800|         3| 

|personnel|    2|  3900|         1| 

|personnel|    5|  3500|         2| 

+---------+-----+------+----------+ 

4.百分比排名函数：percent_rank

此函数将返回分区中的相对(百分数)等级。

val percent_rank_df = empsalary.withColumn("percent_rank", percent_rank().over(winSpec)) 

 

percent_rank_df.show() 

输出：

+---------+-----+------+------------+ 

|  depName|empNo|salary|percent_rank| 

+---------+-----+------+------------+ 

|  develop|    8|  6000|         0.0| 

|  develop|   10|  5200|        0.25| 

|  develop|   11|  5200|        0.25| 

|  develop|    9|  4500|        0.75| 

|  develop|    7|  4200|         1.0| 

|    sales|    1|  5000|         0.0| 

|    sales|    3|  4800|         0.5| 

|    sales|    4|  4800|         0.5| 

|personnel|    2|  3900|         0.0| 

|personnel|    5|  3500|         1.0| 

+---------+-----+------+------------+ 

5. N-tile功能：ntile

此功能可以根据窗口规格或分区将窗口进一步细分为n个组。 例如，如果需要将部门进一步划分为三类，则可以将ntile指定为3。

val ntile_df = empsalary.withColumn("ntile", ntile(3).over(winSpec)) 

 

ntile_df.show() 

输出：

+---------+-----+------+-----+ 

|  depName|empNo|salary|ntile| 

+---------+-----+------+-----+ 

|  develop|    8|  6000|    1| 

|  develop|   10|  5200|    1| 

|  develop|   11|  5200|    2| 

|  develop|    9|  4500|    2| 

|  develop|    7|  4200|    3| 

|    sales|    1|  5000|    1| 

|    sales|    3|  4800|    2| 

|    sales|    4|  4800|    3| 

|personnel|    2|  3900|    1| 

|personnel|    5|  3500|    2| 

+---------+-----+------+-----+ 

 

窗口分析功能

接下来，我们将讨论诸如累积分布，滞后和超前的分析功能。

1.累积分布函数：cume_dist

此函数提供窗口/分区的值的累积分布。

val winSpec = Window.partitionBy("depName").orderBy("salary") 

 

val cume_dist_df =  

              empsalary.withColumn("cume_dist",cume_dist().over(winSpec)) 

 

cume_dist_df.show() 

定义窗口规范并应用cume_dist函数以获取累积分布。

输出：

+---------+-----+------+------------------+ 

|  depName|empNo|salary|         cume_dist| 

+---------+-----+------+------------------+ 

|  develop|    7|  4200|               0.2| 

|  develop|    9|  4500|               0.4| 

|  develop|   10|  5200|               0.8| 

|  develop|   11|  5200|               0.8| 

|  develop|    8|  6000|               1.0| 

|    sales|    4|  4800|0.6666666666666666| 

|    sales|    3|  4800|0.6666666666666666| 

|    sales|    1|  5000|               1.0| 

|personnel|    5|  3500|               0.5 

|personnel|    2|  3900|               1.0| 

+---------+-----+------+------------------+ 

2.滞后功能：滞后

此函数将在从DataFrame偏移行之前返回该值。

lag函数采用3个参数(lag(col，count = 1，默认= None))，col：定义需要在其上应用函数的列。 count：需要回顾多少行。 default：定义默认值。

val winSpec = Window.partitionBy("depName").orderBy("salary") 

 

val lag_df =  

          empsalary.withColumn("lag", lag("salary", 2).over(winSpec)) 

 

lag_df.show() 

输出：

+---------+-----+------+----+ 

|  depName|empNo|salary| lag| 

+---------+-----+------+----+ 

|  develop|    7|  4200|null| 

|  develop|    9|  4500|null| 

|  develop|   10|  5200|4200| 

|  develop|   11|  5200|4500| 

|  develop|    8|  6000|5200| 

|    sales|    4|  4800|null| 

|    sales|    3|  4800|null| 

|    sales|    1|  5000|4800| 

|personnel|    5|  3500|null| 

|personnel|    2|  3900|null| 

+---------+-----+------+----+ 

例如，让我们在当前行之前查找薪水2行。

对于depname = develop，salary = 4500。没有这样的行，该行在该行之前2行。 因此它将为空。

深入了解Apache Spark窗口功能

对于部门名称=发展，薪水= 6000(以蓝色突出显示)。 如果我们提前两排，我们将获得5200的薪水(以绿色突出显示)。

深入了解Apache Spark窗口功能

3.导联功能：导联

此函数将返回DataFrame的偏移行之后的值。

val winSpec = Window.partitionBy("depName").orderBy("salary") 

 

val lead_df =  

          empsalary.withColumn("lead", lead("salary", 2).over(winSpec)) 

 

lead_df.show() 

lead函数采用3个参数(lead(col，count = 1，默认= None))col：定义需要在其上应用函数的列。 count：对于当前行，我们需要向前/向后查找多少行。 default：定义默认值。

输出：

+---------+-----+------+----+ 

|  depName|empNo|salary| lag| 

+---------+-----+------+----+ 

|  develop|    7|  4200|5200| 

|  develop|    9|  4500|5200| 

|  develop|   10|  5200|6000| 

|  develop|   11|  5200|null| 

|  develop|    8|  6000|null| 

|    sales|    3|  4800|5000| 

|    sales|    4|  4800|null| 

|    sales|    1|  5000|null| 

|personnel|    5|  3500|null| 

|personnel|    2|  3900|null| 

+---------+-----+------+----+ 

让我们尝试从当前行中查找前进/后两行的薪水。

对于depname =开发人员，薪水= 4500(以蓝色突出显示)。 如果我们在前进/后退两行，我们将获得5200的薪水(以绿色突出显示)。

深入了解Apache Spark窗口功能

对于depname =人员，薪水=3500。在此分区中，没有此行向前2行/在该行之后。 因此我们将获得空值。

深入了解Apache Spark窗口功能

深入了解Apache Spark窗口功能

自定义窗口定义

默认情况下，窗口的边界由分区列定义，我们可以通过窗口规范指定顺序。 例如，对于开发部门，窗口的开始是工资的最小值，窗口的结束是工资的最大值。

但是，如果我们想更改窗口的边界怎么办? 以下功能可用于定义每个分区内的窗口。

1. rangeBetween

使用rangeBetween函数，我们可以显式定义边界。例如，从当前薪水开始，将其定义为100，然后将其定义为300，并查看其含义。 从100开始表示窗口将从100个单位开始，从当前值开始以300个值结束(包括开始值和结束值)。

val winSpec = Window.partitionBy("depName") 

          .orderBy("salary") 

          .rangeBetween(100L, 300L) 

定义窗口规格

起始值和结束值后的L表示该值是Scala Long类型。

val range_between_df = empsalary.withColumn("max_salary", max("salary").over(winSpec)) 

 

range_between_df.show() 

应用自定义窗口规范

输出：

+---------+-----+------+----------+ 

|  depName|empNo|salary|max_salary| 

+---------+-----+------+----------+ 

|  develop|    7|  4200|      4500| 

|  develop|    9|  4500|      null| 

|  develop|   10|  5200|      null| 

|  develop|   11|  5200|      null| 

|  develop|    8|  6000|      null| 

|    sales|    3|  4800|      5000| 

|    sales|    4|  4800|      5000| 

|    sales|    1|  5000|      null| 

|personnel|    5|  3500|      null| 

|personnel|    2|  3900|      null| 

+---------+-----+------+----------+ 

现在，让我们尝试了解输出。

对于depname = developer，salary = 4200，窗口的开始将是(当前值+开始)，即4200 + 100 =4300。窗口的结束将是(当前值+结束)，即4200 + 300 = 4500。

由于只有一个薪水值在4300到4500之间，包括开发部门的4500，所以我们将4500作为max_salary作为4200(上面的检查输出)。

深入了解Apache Spark窗口功能

同样，对于depname = develop，salary = 4500，窗口将为(开始：4500 + 100 = 4600，结束：4500 + 300 = 4800)。 但是开发部门没有薪水值在4600到4800之间，因此最大值不会为空(上面的检查输出)。

深入了解Apache Spark窗口功能

这里有一些特殊的边界值可以使用。

Window.currentRow：指定一行中的当前值。

Window.unboundedPreceding：这可以用于使窗口无限制地开始。

Window.unbounded以下：此方法可用于使窗口具有无限的末端。

例如，我们需要从员工工资中找到最高工资，该最高工资大于300。 因此，我们将起始值定义为300L，将结束值定义为Window.unboundedFollowing：

val winSpec = Window.partitionBy("depName").orderBy("salary") 

             .rangeBetween(300L, Window.unboundedFollowing) 

 

val range_unbounded_df = empsalary.withColumn("max_salary", max("salary").over(winSpec)) 

 

range_unbounded_df.show() 

输出：

+---------+-----+------+----------+ 

|  depName|empNo|salary|max_salary| 

+---------+-----+------+----------+ 

|  develop|    7|  4200|      6000| 

|  develop|    9|  4500|      6000| 

|  develop|   10|  5200|      6000| 

|  develop|   11|  5200|      6000| 

|  develop|    8|  6000|      null| 

|    sales|    3|  4800|      null| 

|    sales|    4|  4800|      null| 

|    sales|    1|  5000|      null| 

|personnel|    5|  3500|      3900| 

|personnel|    2|  3900|      null| 

+---------+-----+------+----------+ 

因此，对于depname =人员，薪水=3500。窗口将是(开始：3500 + 300 = 3800，结束：无边界)。 因此，此范围内的最大值为3900(检查上面的输出)。

同样，对于depname = sales，salary = 4800，窗口将为(开始：4800 + 300、5100，结束：无边界)。 由于销售部门的值不大于5100，因此结果为空。

2.rowsBetween

通过rangeBetween，我们使用排序列的值定义了窗口的开始和结束。 但是，我们也可以使用相对行位置定义窗口的开始和结束。

例如，我们要创建一个窗口，其中窗口的开始是当前行之前的一行，结束是当前行之后的一行。

定义自定义窗口规范

val winSpec = Window.partitionBy("depName") 

            .orderBy("salary").rowsBetween(-1, 1) 

应用自定义窗口规范

val rows_between_df = empsalary.withColumn("max_salary", max("salary").over(winSpec)) 

 

rows_between_df.show() 

输出：

+---------+-----+------+----------+ 

|  depName|empNo|salary|max_salary| 

+---------+-----+------+----------+ 

|  develop|    7|  4200|      4500| 

|  develop|    9|  4500|      5200| 

|  develop|   10|  5200|      5200| 

|  develop|   11|  5200|      6000| 

|  develop|    8|  6000|      6000| 

|    sales|    3|  4800|      4800| 

|    sales|    4|  4800|      5000| 

|    sales|    1|  5000|      5000| 

|personnel|    5|  3500|      3900| 

|personnel|    2|  3900|      3900| 

+---------+-----+------+----------+ 

现在，让我们尝试了解输出。

对于depname =开发，salary = 4500，将定义一个窗口，该窗口在当前行之前和之后一行(以绿色突出显示)。 因此窗口内的薪水为(4200、4500、5200)，最高为5200(上面的检查输出)。

深入了解Apache Spark窗口功能

同样，对于depname = sales，salary = 5000，将在当前行的前后定义一个窗口。 由于此行之后没有行，因此该窗口将只有2行(以绿色突出显示)，其薪水分别为(4800，5000)和max为5000(上面的检查输出)。

深入了解Apache Spark窗口功能

我们还可以像以前使用rangeBetween一样使用特殊边界Window.unboundedPreceding，Window.unboundedFollowing和Window.currentRow。

注意：rowsBetween不需要排序，但是我使用它来使每次运行的结果保持一致。