SparkR窗口函数

Question

我从JIRA中发现，SparkR的1.6个版本已经实现了包括lag和rank在内的窗口函数，但over函数尚未实现。如何使用像lag函数那样的窗口函数而不使用SparkR中的over (而不是SparkSQL方式)？有人能举个例子吗？

Answer 1

星火2.0.0+

SparkR为DSL包装器提供了over、window.partitionBy / partitionBy、window.orderBy / orderBy和rowsBetween / rangeBeteen函数。

火花<= 1.6

不幸的是，在1.6.0中是不可能的。虽然一些窗口函数(包括lag )已经实现，但SparkR还不支持窗口定义，这使得这些定义完全无用。

只要火花-11395未被解析，唯一的选择就是使用原始SQL：

set.seed(1)

hc <- sparkRHive.init(sc)
sdf <- createDataFrame(hc, data.frame(x=1:12, y=1:3, z=rnorm(12)))
registerTempTable(sdf, "sdf")

sql(hc, "SELECT x, y, z, LAG(z) OVER (PARTITION BY y ORDER BY x) FROM sdf") %>% 
  head()

##    x y          z        _c3
## 1  1 1 -0.6264538         NA
## 2  4 1  1.5952808 -0.6264538
## 3  7 1  0.4874291  1.5952808
## 4 10 1 -0.3053884  0.4874291
## 5  2 2  0.1836433         NA
## 6  5 2  0.3295078  0.1836433

假设对应PR将在没有重大更改的情况下合并，窗口定义和示例查询应该如下所示：

w <- Window.partitionBy("y") %>% orderBy("x")
select(sdf, over(lag(sdf$z), w))