spark DataFrame聚合操作

在聚合操作中,需要指定键或分组方式,以及指定如何转换一列或多列数据的聚合函数。s
除了处理任意类型的值之外，Spark还可以创建以下分组类型：

• 最简单的分组通过在select语句中执行聚合来汇总整个DataFrame
• “group by”指定一个或者多个key也可以指定一个或者多个聚合函数，来对包括value的列执行行转换操作。
• “window”指定一个或者多个key也可以指定一个或者多个聚合函数，来对包含value的列执行转换操作。
• “grouping set”可用于在多个不同级别进行聚合。grouping set是SQL中的一个保留字,而在DataFrame中需要使用rollup和cube。
• “rollup”指定一个或多个key,也可以指定一个或多个聚合函数,来对包含value的列执行转换操作,并会针对指定的多个key进行分级分组汇总。
• “cube”指定一个或多个key,也可以指定一个或多个聚合函数,来对包含value 的列执行转换操作,并会针对指定的多个key进行全组合分组汇总。
  注意：要获得一个精确的结果，开销会非常大。但是计算出一个近似的结果要相对容易的多。通常使用一些近似函数，会提高spark作业的效率

聚合函数#

count函数#

count函数是一个转换操作而不是一个动作操作。
count可以执行以下2种操作：

• 对指定列进行计数
• 使用count(*)或count(1)对所有列进行计数

approx_count_distinct函数#

功能与count_distinct一样，但是统计的结果允许有误差。这里approx_count_distinct的另一个参数就指定了可容忍的误差的最大误差。

sumDistinct函数#

去重后，进行求sum

方差和标准差#

注意：Spark既支持统计样本的标准差，也支持统计总体的标准差。

skewness和kurtosis#

偏度系数（skewness）和峰度系数（kurtosis）都是对数据集中的极端数据点的衡量指标。
偏度系数衡量数据相对于平均值的不对称程度。
峰度系数衡量数据分布形态陡缓程度。

协方差和相关性#

cov和corr,它们分别用于计算协方差和相关性。相关性采用Pearson相关系数来衡量,范围是-1~+1。协方差的范围由数据中的输入决定。
注意：协方差又分为样本协方差和总体协方差。

聚合输出复杂类型#

分组#

分组操作的步骤：

• 指定要对其进行分组的一列或者多列。
• 指定一个或者多个聚合操作。

利用表达式分组#

使用Map进行分组#

Map是以键为列，值为要执行的字符串形式的聚合函数。

window函数#

在指定数据“窗口”上执行聚合操作,并使用对当前数据的引用来定义它,此窗口指定将哪些行传递给此函数。
注意：group-by与窗口函数之间的区别：
在使用group-by处理数据时，每一行只能进入一个分组；窗口函数基于称为框的一组行，计算表的每一输入行的返回值。也就是说一行数据，在不同的框中属于不用的组。
Spark支持三种窗口函数:排名函数、解析函数和聚合函数。

分组集#

group-by表达式可以对一组列上的值进行聚合操作。

rollup#

当我们设置分组的key为多个列时,Spark会分析这些列,并根据各列中存在的实际数值,确定列值组合作为分组的key。而rollup分组聚合是一种多维聚合操作,可以执行多种不同group-by风格的计算。

cube#

cube分组聚合则更进一步,它不同于rollup的分级聚合,而是对所有参与的列值进行所有维度的全组合聚合。

对元数据进行分组#

透视转换#

透视转换可以根据列中的不同行创建多个列。

用户自定义的聚合函数#

用户定义的聚合函数(UDAF)是用户根据自定义公式或业务逻辑定义自己的聚合函数的一种方法。可以使用UDAF来计算输入数据组的自定义计算。