Spark collect_list ändert den Datentyp von Array zu String

Question

Ich habe eine folgende Aggregation

val df_date_agg = df
    .groupBy($"a",$"b",$"c") .agg(sum($"d").alias("data1"),sum($"e").alias("data2")) .groupBy($"a")
    .agg(collect_list(array($"b",$"c",$"data1")).alias("final_data1"), collect_list(array($"b",$"c",$"data2")).alias("final_data2"))

Hier mache ich eine Aggregation und sammle das Ergebnis mit collect_list. Früher haben wir Funken 1 verwendet und es gab mir unten Datentypen.

 |-- final_data1: array (nullable = true)
 |    |-- element: string (containsNull = true)
 |-- final_data2: array (nullable = true)
 |    |-- element: string (containsNull = true)

Jetzt müssen wir auf Spark 2 migrieren, aber wir kommen unter das Schema.

|-- final_data1: array (nullable = true)
 |    |-- element: array (containsNull = true)
 |    |    |-- element: string (containsNull = true)
 |-- final_data1: array (nullable = true)
 |    |-- element: array (containsNull = true)
 |    |    |-- element: string (containsNull = true)

Bei der first()Aufzeichnung unten ist der Unterschied

spark 1.6

[2020-09-26, Ayush, 103.67] => datatype string

spark 2 

WrappedArray(2020-09-26, Ayush, 103.67)

Wie kann ich den gleichen Datentyp beibehalten?

Bearbeiten - Mit Concat versucht

Eine Möglichkeit, ein genaues Schema wie Spark 1.6 zu erhalten, ist die Verwendung von concat wie diesem

val df_date_agg = df
    .groupBy($"msisdn",$"event_date",$"network") .agg(sum($"data_mou").alias("data_mou_dly"),sum($"voice_mou").alias("voice_mou_dly")) .groupBy($"msisdn")
    .agg(collect_list(concat(lit("["),lit($"event_date"),lit(","),lit($"network"),lit(","),lit($"data_mou_dly"),lit("]")))

Beeinträchtigt es meine Codeleistung? Gibt es einen besseren Weg, dies zu tun?

Answer 1

Wie wäre es, wenn Sie das Array in eine Zeichenfolge wie diese umwandeln möchten, da Sie eine Zeichenfolgendarstellung eines Arrays wünschen?

val df_date_agg = df
    .groupBy($"a",$"b",$"c") .agg(sum($"d").alias("data1"),sum($"e").alias("data2")) .groupBy($"a")
    .agg(collect_list(array($"b",$"c",$"data1") cast "string").alias("final_data1"), collect_list(array($"b",$"c",$"data2") cast "string").alias("final_data2"))

Es könnte einfach das sein, was Ihre alte Version von Spark tat.

Die von Ihnen vorgeschlagene Lösung würde wahrscheinlich auch funktionieren, aber das Umschließen Ihrer Spaltenreferenzen litist nicht erforderlich ( lit($"event_date")). $"event_date"reicht.

Answer 2

Das Füllen der Spalten final1 und final2 würde dieses Problem beheben.

val data = Seq((1,"A", "B"), (1, "C", "D"), (2,"E", "F"), (2,"G", "H"), (2,"I", "J"))

val df = spark.createDataFrame(
  data
).toDF("col1", "col2", "col3")

val old_df = df.groupBy(col("col1")).agg(
    collect_list(
        array(
            col("col2"), 
            col("col3")
            )
    ).as("final")
    )
val new_df = old_df.select(col("col1"), flatten(col("final")).as("final_new"))
println("Input Dataframe")

df.show(false)
println("Old schema format")
old_df.show(false)
old_df.printSchema()

println("New schema format")
new_df.show(false)
new_df.printSchema()

Ausgabe:

Input Dataframe
+----+----+----+
|col1|col2|col3|
+----+----+----+
|1   |A   |B   |
|1   |C   |D   |
|2   |E   |F   |
|2   |G   |H   |
|2   |I   |J   |
+----+----+----+

Old schema format
+----+------------------------+
|col1|final                   |
+----+------------------------+
|1   |[[A, B], [C, D]]        |
|2   |[[E, F], [G, H], [I, J]]|
+----+------------------------+

root
 |-- col1: integer (nullable = false)
 |-- final: array (nullable = true)
 |    |-- element: array (containsNull = true)
 |    |    |-- element: string (containsNull = true)

New schema format
+----+------------------+
|col1|final_new         |
+----+------------------+
|1   |[A, B, C, D]      |
|2   |[E, F, G, H, I, J]|
+----+------------------+

root
 |-- col1: integer (nullable = false)
 |-- final_new: array (nullable = true)
 |    |-- element: string (containsNull = true)

In Ihrem speziellen Fall

val df_date_agg = df
    .groupBy($"a",$"b",$"c") .agg(sum($"d").alias("data1"),sum($"e").alias("data2")) .groupBy($"a")
    .agg(collect_list(array($"b",$"c",$"data1")).alias("final_data1"), collect_list(array($"b",$"c",$"data2")).alias("final_data2"))
         .select(flatten(col("final_data1").as("final_data1"), flatten(col("final_data2).as("final_data2))