【译】Apache Spark 数据建模之时间维度（一）

编译：诚历，阿里巴巴计算平台事业部 EMR 技术专家，Apache Sentry PMC，Apache Commons Committer，目前从事开源大数据存储和优化方面的工作。

原文链接 ：http://blog.madhukaraphatak.com/data-modeling-spark-part-1/

数据建模是数据分析重要的组成之一，正确的建立模型有助于用户更好地解答业务相关的问题。在过去几十年中，数据建模技术也一直是SQL数据仓库的基础。

Apache Spark作为新一代的数仓技术的代表，我们能够在 Spark 中使用早期的数据建模技术。这使得Spark data pineline 更加有效。

在本系列文章中，我将讨论spark中不同的数据建模。本系列的第一篇文章中将讨论如何使用日期维度。

数据分析中数据和时间的重要性

我们分析的大多数数据通常都包含日期或时间戳。例如，它可能是

• 股票的交易日期
• POS系统的交易时间

我们所做的很多分析通常都是关于日期或时间的。我们通常希望使用相同的方法对数据进行切分。

使用内置的Spark进行数据分析

本节讨论如何使用内置的spark日期函数进行数据分析。

苹果股票数据

在本例中，我们将使用苹果股票数据。以下是样本数据

加载到Spark Dataframe

下面的代码将数据加载到spark dataframe中。

val appleStockDf = sparkSession.read.format("csv").
      option("header","true")
      .option("inferSchema","true")
      .load("src/main/resources/applestock_2013.csv")

分析日期

在本节中，让我们看看如何回答与日期相关的问题。

• 有属于周末的记录吗?

这种分析通常是为了确保数据的质量。周末应该不会有任何数据，因为周末不会有交易。

assert(sparkSession.sql
       ("select * from stocks where dayofweek(Date)==1 or 
       dayofweek(Date)==7").count() == 0)

在上述代码中，1表示星期天，7表示星期六。我们可以看到，代码是不可读的，除非我们知道如何解码这些神奇的数字。

• 显示季度最高价格

这个分析找到了给定季度的最大值。

appleStockDf.groupBy(year($"Date"),quarter($"Date")).
      avg("Close").
      sort("year(Date)","quarter(Date)")
      .show()

使用Spark日期函数进行数据分析的挑战

尽管我们可以使用spark builtin数据函数来完成上面的分析，但是编写它们是很困难的。此外，从外部BI解决方案很难表达这些需求，通常业务分析师用户是最终用户。因此，我们需要一种更简单、更好的方法来实现上述目标。

日期维度

日期维是一个静态数据集，它在列中列出给定日期的所有不同属性。这个示例数据集模式如下所示

t
 |-- date_key: integer (nullable = true)
 |-- full_date: string (nullable = true)
 |-- day_of_week: integer (nullable = true)
 |-- day_num_in_month: integer (nullable = true)
 |-- day_num_overall: integer (nullable = true)
 |-- day_name: string (nullable = true)
 |-- day_abbrev: string (nullable = true)
 |-- weekday_flag: string (nullable = true)
 |-- week_num_in_year: integer (nullable = true)
 |-- week_num_overall: integer (nullable = true)
 |-- week_begin_date: string (nullable = true)
 |-- week_begin_date_key: integer (nullable = true)
 |-- month: integer (nullable = true)
 |-- month_num_overall: integer (nullable = true)
 |-- month_name: string (nullable = true)
 |-- month_abbrev: string (nullable = true)
 |-- quarter: integer (nullable = true)
 |-- year: integer (nullable = true)
 |-- yearmo: integer (nullable = true)
 |-- fiscal_month: integer (nullable = true)
 |-- fiscal_quarter: integer (nullable = true)
 |-- fiscal_year: integer (nullable = true)
 |-- last_day_in_month_flag: string (nullable = true)
 |-- same_day_year_ago: string (nullable = true)

在上面的格式中，一些重要的列是

* full_date - Timestamp for given day
* year - year in the date
* quarter - quarter the given date belongs
etc.

这个静态数据集可以生成多年并保持可用。我们在示例中使用的示例可以从下面的链接下载。

https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/books/microsoft-data-warehouse-dw-toolkit/.

使用日期维度进行数据分析

本节讨论如何使用日期维度进行上述分析。

加载数据以触发Dataframe

我们可以为我们的数据集创建一个dataframe，如下所示

val originalDf = sparkSession.read.format("csv").
      option("header","true")
      .option("inferSchema","true")
      .load(dataPath)

    //replace space in the column names
    val new_columns = originalDf.schema.fields
      .map(value => value.copy(name = value.name.replaceAll("\\s+","_")))

    val newSchema = StructType(new_columns)
    val newNameDf = sparkSession.createDataFrame(originalDf.rdd, newSchema)

    import org.apache.spark.sql.functions._
    val dateDf = newNameDf.withColumn("full_date_formatted",
      to_date(newNameDf.col("full_date"),"dd/MM/yy"))

在上面的代码中，进行了预处理，将字符串转换为spark date数据类型。

与股票数据连接

我们可以使用spark连接将股票数据与日期结合起来

val joinedDF = appleStockDf.join(dateDf, appleStockDf.col("Date") ===
      dateDf.col("full_date_formatted"))
This join doesn’t increase size of the data as it’s an inner join.

这个连接并不会增加数据的大小，因为它是一个内部连接。

分析

本节介绍如何在不使用复杂的spark函数的情况下进行分析

• 有属于周末的记录吗?

assert(joinedDF.filter("weekday_flag != 'y'").count()==0)

• 显示季度最高价格

joinedDF.groupBy("year","quarter").
      avg("Close").
      sort("year","quarter")
      .show()

日期维度的优点

本节讨论日期维度的优点。

跨不同分析的重用

相同的数据集可以用于不同的数据分析。与在查询中编写特殊函数或在数据集本身上添加这些列不同，拥有标准的日期维度有助于使所有的数据分析标准化。

Scalable

用户可以在日期维度上添加更多的属性，如区域假日等。这将丰富每个人的分析。这里不需要额外的查询。

用户友好

使用日期维度生成的查询更容易理解。

引用

https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/calendar-date-dimension/.

代码

文本示例代码可以在 github 上查看
https://github.com/phatak-dev/spark2.0-examples/blob/2.4/src/main/scala/com/madhukaraphatak/examples/sparktwo/datamodeling/DateHandlingExample.scala

阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区，定期推送精彩案例，技术专家直播，问答区近万人Spark技术同学在线提问答疑，只为营造纯粹的Spark氛围，欢迎钉钉扫码加入！

对开源大数据和感兴趣的同学可以加小编微信（下图二维码，备注“进群”）进入技术交流微信群。