Spark DataFrame 添加自增id
在用Spark 处理数据的时候,经常需要给全量数据增加一列自增ID序号,在存入数据库的时候,自增ID也常常是一个很关键的要素。在使用mmlspark的LightGBMRanker时也需要指定一列int/long类型的id列,下面是几种实现方式。
方式一:利用RDD的 zipWithIndex算子,官网介绍如下
// 在原Schema信息的基础上添加一列 “id”信息
val schema: StructType = dataframe.schema.add(StructField("id", LongType))
// DataFrame转RDD 然后调用 zipWithIndex
val dfRDD: RDD[(Row, Long)] = dataframe.rdd.zipWithIndex()
val rowRDD: RDD[Row] = dfRDD.map(tp => Row.merge(tp._1, Row(tp._2)))
// 将添加了索引的RDD 转化为DataFrame
val df2 = spark.createDataFrame(rowRDD, schema)
df2.show()
+-----------+-----------+---+
| lon| lat| id|
+-----------+-----------+---+
|106.4273071|29.63554591| 0|
| 106.44104|29.51372023| 1|
|106.4602661|29.60211821| 2|
|106.4657593|29.45394812| 3|
+-----------+-----------+---+
方式二:使用SparkSQL的function
import org.apache.spark.sql.functions._
val inputDF = inputDF.withColumn("id", monotonically_increasing_id)
inputDF.show
源码介绍如下:
注意:
monotonically_increasing_id这个方法,生成单调递增的64位整数的列表达式。
*
*生成的ID被保证是单调递增且唯一的,但不是连续的。
*当前的实现将分区ID放在高位31位,并将记录号
*在下33位的每个分区内。假设数据帧
*不到10亿个分区,每个分区有不到80亿条记录。
*例如,假设一个“DataFrame”有两个分区,每个分区有3条记录。
*此表达式将返回以下ID:
* {{{
*0,1,2,8589934592(1L<33),8589934593,8589934594。
* }}}
方式三:利用窗口函数
// 加载数据
val dataframe = spark.read.csv(inputFile).toDF("lon", "lat")
/**
* 设置窗口函数的分区以及排序,因为是全局排序而不是分组排序,所有分区依据为空
* 排序规则没有特殊要求也可以随意填写
*/
val spec = Window.partitionBy().orderBy($"lon")
val df1 = dataframe.withColumn("id", row_number().over(spec))
df1.show()