我對Spark和Scala相對較新。我有一個具有以下格式的數據幀:使用Scala獲取Spark數據集中對應於最新時間戳的行
| Col1 | Col2 | Col3 | Col_4 | Col_5 | Col_TS | Col_7 |
| 1234 | AAAA | 1111 | afsdf | ewqre | 1970-01-01 00:00:00.0 | false |
| 1234 | AAAA | 1111 | ewqrw | dafda | 2017-01-17 07:09:32.748 | true |
| 1234 | AAAA | 1111 | dafsd | afwew | 2015-01-17 07:09:32.748 | false |
| 5678 | BBBB | 2222 | afsdf | qwerq | 1970-01-01 00:00:00.0 | true |
| 5678 | BBBB | 2222 | bafva | qweqe | 2016-12-08 07:58:43.04 | false |
| 9101 | CCCC | 3333 | caxad | fsdaa | 1970-01-01 00:00:00.0 | false |
我需要做的是獲得對應於最新時間戳的行。 在上面的例子中,鍵是Col1,Col2和Col3。 Col_TS代表時間戳,Col_7是確定記錄有效性的布爾值。 我想要做的是找到一種方法來組合這些記錄基於密鑰,並保留具有最新時間戳的記錄。
所以在數據幀的操作的輸出上面應該是:
| Col1 | Col2 | Col3 | Col_4 | Col_5 | Col_TS | Col_7 |
| 1234 | AAAA | 1111 | ewqrw | dafda | 2017-01-17 07:09:32.748 | true |
| 5678 | BBBB | 2222 | bafva | qweqe | 2016-12-08 07:58:43.04 | false |
| 9101 | CCCC | 3333 | caxad | fsdaa | 1970-01-01 00:00:00.0 | false |
我想出了部分解決,但這種方式我只能返回其上記錄分組列項的數據幀而不是其他欄目。
df = df.groupBy("Col1","Col2","Col3").agg(max("Col_TS"))
| Col1 | Col2 | Col3 | max(Col_TS) |
| 1234 | AAAA | 1111 | 2017-01-17 07:09:32.748 |
| 5678 | BBBB | 2222 | 2016-12-08 07:58:43.04 |
| 9101 | CCCC | 3333 | 1970-01-01 00:00:00.0 |
有人可以幫我想出一個Scala代碼來執行此操作嗎?
謝謝你的回覆@Psidom。我得到了整體思路,但是能否描述'agg(val_columns.head,val_columns.tail:_ *)'部分是做什麼的? –
'val_columns'是聚合表達式的一個序列,'agg(val_columns.head,val_columns.tail:_ *)'將'val_columns'中的每個元素作爲單獨的參數應用於'agg'函數,這相當於'agg last(col(「Col_4」)).alias(「Col_4」),last(col(「Col_5」)).alias(「Col_5」),... etc',但只是更短,更編程化 – Psidom
非常好!如此簡潔,謝謝 –