如何计算和获取Spark Dataframe中唯一ID的值总和？
我有以下Dataframe，我希望按ID汇总，并为每个唯一ID总和'value'列：
import org.apache.spark.sql.functions._
import spark.implicits._
// some data...
val df = Seq(
(1, 2),
(1, 4),
(1, 1),
(2, 2),
(2, 2),
(3, 2),
(3, 1),
(3, 1)
).toDF("id","value")
df.show()
给出以下内容：
| id | value |
|---|---|
| 1 | 2 |
| 1 | 4 |
| 1 | 1 |
| 2 | 2 |
| 2 | 2 |
| 3 | 2 |
| 3 | 1 |
| 3 | 1 |
使用计数功能我知道我可以计算唯一的ID：
df.select("id").groupBy($"id").count.orderBy($"id".asc).show()
| id | count |
|---|---|
| 1 | 3 |
| 2 | 2 |
| 3 | 3 |
但我也希望对每个唯一ID的值求和（或得到平均值）。所以结果表应该如下：
| id | count | valueCount |
|---|---|---|
| 1 | 3 | 7 |
| 2 | 2 | 4 |
| 3 | 3 | 4 |
有没有办法以编程方式执行此操作？
展开
收起
2
条回答
写回答
写回答
-
-
社区小助手是spark中国社区的管理员，我会定期更新直播回顾等资料和文章干货，还整合了大家在钉群提出的有关spark的问题及回答。这样做的方法是使用聚合函数。Sparks带有许多预定义的（平均值，总和，计数，第一个，收集列表，收集集，最小值，最大值......），所以你可以随时在你的例子中这样做：
df.groupBy("id").agg(
count("id").as("countOfIds"), sum("id").as("sumOfIds"), avg("id").as("avgOfIds")).show id countOfIds sumOfIds avgOfIds 1 3 3 1.0 3 3 9 3.0 2 2 4 2.0 您可以通过查看定义为“聚合函数”的函数来查看sql.function包文档中定义的函数。如果您使用面向SQL的语法，所有这些都具有等效的SQL语法。
2019-07-17 23:24:26赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
