web-dev-qa-db-ja.com

DataFrameから最後の行を取得する方法は?

私はDataFrameを使用しています、DataFrameは2つの列 'value'と 'timestamp'を持っています。'timestmp 'は順序付けされています。

これは私の入力です:

+-----+---------+
|value|timestamp|
+-----+---------+
|    1|        1|
|    4|        2|
|    3|        3|
|    2|        4|
|    5|        5|
|    7|        6|
|    3|        7|
|    5|        8|
|    4|        9|
|   18|       10|
+-----+---------+

これは私のコードです:

    val arr = Array((1,1),(4,2),(3,3),(2,4),(5,5),(7,6),(3,7),(5,8),(4,9),(18,10))
    var df=m_sparkCtx.parallelize(arr).toDF("value","timestamp")

これは私の期待される結果です:

+-----+---------+
|value|timestamp|
+-----+---------+
|   18|       10|
+-----+---------+
6
mentongwu

単にreduce

df.reduce { (x, y) => 
  if (x.getAs[Int]("timestamp") > y.getAs[Int]("timestamp")) x else y 
}
3
Alper t. Turker

これを試してください、それは私のために働きます。

df.orderBy($"value".desc).show(1)
9
Mimii Cheng

私は単にクエリを使用します-降順でテーブルを並べ替えます-この順序から最初の値を取得します

df.createOrReplaceTempView("table_df")
query_latest_rec = """SELECT * FROM table_df ORDER BY value DESC limit 1"""
latest_rec = self.sqlContext.sql(query_latest_rec)
latest_rec.show()
4

最も効率的な方法は、DataFrameをreduceすることです。これにより、DataFrameに変換して戻すことができる単一の行が得られますが、これには1つのレコードしか含まれていないため、あまり意味がありません。

sparkContext.parallelize(
  Seq(
  df.reduce {
    (a, b) => if (a.getAs[Int]("timestamp") > b.getAs[Int]("timestamp")) a else b 
   } match {case Row(value:Int,timestamp:Int) => (value,timestamp)}
  )
)
.toDF("value","timestamp")
.show


+-----+---------+
|value|timestamp|
+-----+---------+
|   18|       10|
+-----+---------+

効率が低下します(シャッフルが必要なため)。

df
.where($"timestamp" === df.groupBy().agg(max($"timestamp")).map(_.getInt(0)).collect.head)
1
Raphael Roth

タイムスタンプ列が一意で昇順の場合、次の方法で最後の行を取得します

println(df.sort($"timestamp", $"timestamp".desc).first())

// Output [1,1]

df.sort($"timestamp", $"timestamp".desc).take(1).foreach(println)

// Output [1,1]

df.where($"timestamp" === df.count()).show

出力:

+-----+---------+
|value|timestamp|
+-----+---------+
|   18|       10|
+-----+---------+

そうでない場合、インデックスで新しい列を作成し、以下のように最後のインデックスを選択します

val df1 = spark.sqlContext.createDataFrame(
    df.rdd.zipWithIndex.map {
  case (row, index) => Row.fromSeq(row.toSeq :+ index)
},
StructType(df.schema.fields :+ StructField("index", LongType, false)))

df1.where($"timestamp" === df.count()).drop("index").show

出力:

+-----+---------+
|value|timestamp|
+-----+---------+
|   18|       10|
+-----+---------+
1
koiralo

Java:

Dataset<Row> sortDF = inputDF.orderBy(org.Apache.spark.sql.functions.col(config.getIncrementingColumn()).desc());
Row row = sortDF.first()
0
Suneel

この関数を使用することもできます descColumn desc(String columnName)

df.orderBy(desc("value")).show(1)

同じ結果が得られます

df.orderBy($"value".desc).show(1)
0
Saurav Sahu