spark利器2函数之dataframe全局排序id与分组后保留最大值行

作为一个算法工程师，日常学习和工作中，不光要 训练模型关注效果 ，更多的时间是在 准备样本数据与分析数据 等，而这些过程都与大数据 spark和hadoop生态 的若干工具息息相关。

今天我们就不在更新 机器学习 和 算法模型 相关的内容，分享两个 spark函数 吧，以前也在某种场景中使用过但没有保存收藏，哎！！ 事前不搜藏，临时抱佛脚 的感觉真是痛苦，太耽误干活了 。

so，把这两个函数记在这里 以备不时 之需～

(1) 得到 spark dataframe 全局排序ID

这个函数的 应用场景 就是：根据某一列的数值对 spark 的 dataframe 进行排序，得到全局多分区排序的全局有序ID，新增一列保存这个rank id ，并且保留别的列的数据无变化 。

有用户会说，这不是很容易吗 ，直接用 orderBy 不就可以了吗，但是难点是：orderBy完记录下全局ID 并且保持原来全部列的DF数据 。

多说无益，遇到这个场景 直接copy 用起来就知道有多爽了，同类问题我们可以用下面这个函数解决～

scala 写的 spark 版本代码：

```

@ 欢迎关注微信公众号:算法全栈之路

def dfZipWithIndex( df: DataFrame, offset: Int = 1, colName: String ="rank_id", inFront: Boolean = true ) : DataFrame = { df.sqlContext.createDataFrame( df.rdd.zipWithIndex.map(ln => Row.fromSeq( (if (inFront) Seq(ln._2 + offset) else Seq()) ++ ln._1.toSeq ++ (if (inFront) Seq() else Seq(ln._2 + offset)) ) ), StructType( (if (inFront) Array(StructField(colName,LongType,false)) else ArrayStructField) ++ df.schema.fields ++ (if (inFront) ArrayStructField else Array(StructField(colName,LongType,false))) ) ) } ```

函数调用我们可以用这行代码调用： val ranked_df = dfZipWithIndex(raw_df.orderBy($"predict_score".desc)), 直接复制过去就可以～

python写的 pyspark 版本代码：

``` @ 欢迎关注微信公众号:算法全栈之路

from pyspark.sql.types import LongType, StructField, StructType

def dfZipWithIndex (df, offset=1, colName="rank_id"): new_schema = StructType( [StructField(colName,LongType(),True)] # new added field in front + df.schema.fields # previous schema ) zipped_rdd = df.rdd.zipWithIndex() new_rdd = zipped_rdd.map(lambda (row,rowId): ([rowId +offset] + list(row))) return spark.createDataFrame(new_rdd, new_schema) ```

调用同理 ，这里我就不在进行赘述了。

（2）分组后保留最大值行

这个函数的 应用场景 就是：当我们使用 spark 或则 sparkSQL 查找某个 dataframe 数据的时候，在某一天里，任意一个用户可能有多条记录，我们需要 对每一个用户，保留dataframe 中某列值最大的那行数据 。

其中的 关键点 在于：一次性求出对每个用户分组后，求得每个用户的多行记录中，某个值最大的行进行数据保留 。

当然，经过 简单修改代码，不一定是最大，最小也是可以的，平均都ok 。

scala 写的 spark 版本代码：

```

@ 欢迎关注微信公众号:算法全栈之路

// 得到一天内一个用户多个记录里面时间最大的那行用户的记录 import org.apache.spark.sql.expressions.Window import org.apache.spark.sql.functions

val w = Window.partitionBy("user_id") val result_df = raw_df .withColumn("max_time",functions.max("time").over(w)) .where($"time" === $"max_time") .drop($"max_time") ```

python写的 pyspark 版本代码：

``` @ 欢迎关注微信公众号:算法全栈之路

pyspark dataframe 某列值最大的元素所在的那一行

GroupBy 列并过滤 Pyspark 中某列值最大的行

创建一个Window 以按A列进行分区，并使用它来计算每个组的最大值。然后过滤出行，使 B 列中的值等于最大值

from pyspark.sql import Window w = Window.partitionBy('user_id')

result_df = spark.sql(raw_df).withColumn('max_time', fun.max('time').over(w))\ .where(fun.col('time') == fun.col('time')) .drop('max_time') ```

我们可以看到：这个函数的关键就是运用了 spark 的 window 函数 ，灵活运用威力无穷哦！

到这里，spark利器2函数之dataframe全局排序id与分组后保留最大值行 的全文就写完了。

看到不搜藏，用时忙断魂哦！！ 赶紧收藏转发吧～

码字不易，觉得有收获就动动小手转载一下吧，你的支持是我写下去的最大动力～

更多更全更新内容，欢迎关注作者的公众号：算法全栈之路

END -