1 需求
在做數據處理時我們可能會經常用到 Apache Spark 的 DataFrame來對數據進行處理,需要將行數據轉成列數據來處理,例如一些指標數據一般會保存在KV類型數據庫,根據幾個字段作爲key,將計算指標作爲value保存起來,這樣多個用戶多個指標就會形成一個窄表,我們在使用這個數據時又希望按照每個用戶來展示,將同一個用戶的多個指標放到一行,這就需要將DataFrame數據進行行列轉換,然後再通過Spark做進一步的處理,將最終的數據保存或提供給調用方。
Spark 中DataFrame數據的行轉列需要用到Spark中的Pivot(透視),簡單來說將用行Row形式的保存的數據轉換爲列Column形式的數據叫做透視;反之叫做逆透視。pivot算子在org.apache.spark.sql.RelationalGroupedDataset
➹類中,主要有如下6個重載的方法,查看這個方法源碼的註釋,我們可以看到這個方法是在Spark 1.6.0開始引入的(前4個是1.6.0之後,後2個是從2.4.0之後),而且建議我們最好指定第二個參數(列字段集合),否則效率會很低。
/**
* Pivots a column of the current `DataFrame` and performs the specified aggregation.
* There are two versions of pivot function: one that requires the caller to specify the list
* of distinct values to pivot on, and one that does not. The latter is more concise but less
* efficient, because Spark needs to first compute the list of distinct values internally.
*
* {{{
* // Compute the sum of earnings for each year by course with each course as a separate column
* df.groupBy("year").pivot("course", Seq("dotNET", "Java")).sum("earnings")
*
* // Or without specifying column values (less efficient)
* df.groupBy("year").pivot("course").sum("earnings")
* }}}
*
* @param pivotColumn Name of the column to pivot.
* @param values List of values that will be translated to columns in the output DataFrame.
* @since 1.6.0
*/
2 準備數據
例如現在有如下銷售的不同類目的各個季度的銷售額的數據,第一列數據爲商品類目,第二列是季度:第一季度Q1、第二季度Q2、第三季度Q3、第四季度Q4,第三列是銷售額單位爲萬元。
import org.apache.spark.sql.Row
import org.apache.spark.sql.types._
object DF_Data {
val scc = new SparkConfClass()
/**
* category| quarter| sales
* 種類 | 季度 | 銷售額
*/
val store_sales = scc.getSc.parallelize(Array(
"Books|Q4|4.66",
"Books|Q1|1.58",
"Books|Q3|2.84",
"Books|Q2|1.50",
"Women|Q1|1.41",
"Women|Q2|1.36",
"Women|Q3|2.54",
"Women|Q4|4.16",
"Music|Q1|1.50",
"Music|Q2|1.44",
"Music|Q3|2.66",
"Music|Q4|4.36",
"Children|Q1|1.54",
"Children|Q2|1.46",
"Children|Q3|2.74",
"Children|Q4|4.51",
"Sports|Q1|1.47",
"Sports|Q2|1.40",
"Sports|Q3|2.62",
"Sports|Q4|4.30",
"Shoes|Q1|1.51",
"Shoes|Q2|1.48",
"Shoes|Q3|2.68",
"Shoes|Q4|4.46",
"Jewelry|Q1|1.45",
"Jewelry|Q2|1.39",
"Jewelry|Q3|2.59",
"Jewelry|Q4|4.25",
// "null|Q1|0.04",
"null|Q2|0.04",
// "null|Q3|0.07",
"null|Q4|0.13",
"Electronics|Q1|1.56",
"Electronics|Q2|1.49",
"Electronics|Q3|2.77",
"Electronics|Q4|4.57",
"Home|Q1|1.57",
"Home|Q2|1.51",
"Home|Q3|2.79",
"Home|Q4|4.60",
"Men|Q1|1.60",
"Men|Q2|1.54",
"Men|Q3|2.86",
"Men|Q4|4.71"
))
val schemaStoreSales = StructType(
"category|quarter".split("\\|")
.map(column => StructField(column, StringType, true))
).add("sales", DoubleType, true)
val store_salesRDDRows = store_sales.map(_.split("\\|"))
.map(line => Row(
line(0).trim,
line(1).trim,
line(2).trim.toDouble
))
}
上述代碼中SparkConfClass
類爲自定義的一個Spark 類,主要將常用的SparkConf、SparkContext、SparkContext、以及關閉操作封裝到一個類。
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext
class SparkConfClass() extends Serializable {
@transient
private val conf = new SparkConf().setAppName("pivot_demo").setMaster("local[4]")
.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
@transient
private val sc: SparkContext = new SparkContext(conf)
sc.setLogLevel("ERROR")
@transient
private val sqlContext: SQLContext = new SQLContext(sc)
def getSc: SparkContext = {
sc
}
def getSqlContext: SQLContext = {
sqlContext
}
def closeSc(): Unit = {
sc.stop()
}
}
3 使用 Pivot 行轉列
object PivotDemo {
def main(args: Array[String]): Unit = {
val store_salesFrame = DF_Data.scc.getSqlContext.createDataFrame(DF_Data.store_salesRDDRows, DF_Data.schemaStoreSales)
store_salesFrame.show(20, false)
//使用Spark中的函數,例如 round、sum 等
import org.apache.spark.sql.functions._
store_salesFrame.groupBy("category")
.pivot("quarter")
.agg(round(sum("sales"), 2))
.show(false)
}
}
4 初次處理的結果
我們的數據轉成DataFrame後如下
+--------+-------+-----+
|category|quarter|sales|
+--------+-------+-----+
| Books| Q4| 4.66|
| Books| Q1| 1.58|
| Books| Q3| 2.84|
| Books| Q2| 1.5|
| Women| Q1| 1.41|
| Women| Q2| 1.36|
| Women| Q3| 2.54|
| Women| Q4| 4.16|
| Music| Q1| 1.5|
| Music| Q2| 1.44|
| Music| Q3| 2.66|
| Music| Q4| 4.36|
|Children| Q1| 1.54|
|Children| Q2| 1.46|
|Children| Q3| 2.74|
|Children| Q4| 4.51|
| Sports| Q1| 1.47|
| Sports| Q2| 1.4|
| Sports| Q3| 2.62|
| Sports| Q4| 4.3|
+--------+-------+-----+
only showing top 20 rows
按照類目,將每個季度轉成列,如下,可以看到原始數據中category
爲null
的行缺少第一和第三季度的值,但是經過pivot轉換後,沒有的列對應的值爲null,這裏需要注意,否則做統計時null值處理後可能還是null值。
+-----------+----+----+----+----+
|category |Q1 |Q2 |Q3 |Q4 |
+-----------+----+----+----+----+
|Home |1.57|1.51|2.79|4.6 |
|Sports |1.47|1.4 |2.62|4.3 |
|Electronics|1.56|1.49|2.77|4.57|
|Books |1.58|1.5 |2.84|4.66|
|Men |1.6 |1.54|2.86|4.71|
|Music |1.5 |1.44|2.66|4.36|
|Women |1.41|1.36|2.54|4.16|
|Shoes |1.51|1.48|2.68|4.46|
|Jewelry |1.45|1.39|2.59|4.25|
|Children |1.54|1.46|2.74|4.51|
|null |null|0.04|null|0.13|
+-----------+----+----+----+----+
5 下一步
通過上一步已經將行數據轉換爲列數據,轉換後的數據也是一個sql.DataFrame,那麼我們就可將其註冊爲臨時視圖(這裏叫 TempView ),如果是全局的,查詢的時候記得在表名前加上global_temp
。
註冊成臨時視圖後,我們就可以像操作表數據一樣用SQL操作這個數據了,例如現在需要返回,每個商品類目的每個季度的銷售額、總銷售額,精確到小數點兩位。
import org.apache.spark.sql.functions._
store_salesFrame.groupBy("category")
// 指定行轉列的各個字段集合,如果知道具體的字段,最好指定上
.pivot("quarter", Seq("Q1", "Q2", "Q3", "Q4"))
// 對於同一category的數據,如果quarter值相同時就對其求和,並保留兩位小數
.agg(round(sum("sales"), 2))
.createOrReplaceGlobalTempView("category")
// .createTempView("category")
DF_Data.scc.getSqlContext
.sql(
"""
|SELECT category, Q1, Q2, Q3, Q4, ROUND(NVL(Q1, 0.0) + NVL(Q2, 0.0) + NVL(Q3, 0.0) + NVL(Q4, 0.0), 2) AS total
|FROM global_temp.category
""".stripMargin)
.show(false)
存在null值時我們需要調用NVL
處理下,結果如下
+-----------+----+----+----+----+-----+
|category |Q1 |Q2 |Q3 |Q4 |total|
+-----------+----+----+----+----+-----+
|Home |1.57|1.51|2.79|4.6 |10.47|
|Sports |1.47|1.4 |2.62|4.3 |9.79 |
|Electronics|1.56|1.49|2.77|4.57|10.39|
|Books |1.58|1.5 |2.84|4.66|10.58|
|Men |1.6 |1.54|2.86|4.71|10.71|
|Music |1.5 |1.44|2.66|4.36|9.96 |
|Women |1.41|1.36|2.54|4.16|9.47 |
|Shoes |1.51|1.48|2.68|4.46|10.13|
|Jewelry |1.45|1.39|2.59|4.25|9.68 |
|Children |1.54|1.46|2.74|4.51|10.25|
|null |null|0.04|null|0.13|0.17 |
+-----------+----+----+----+----+-----+