#apache-spark #graph #cluster-analysis #spark-graphx
#apache-spark #График #кластерный анализ #spark-graphx
Вопрос:
Я пытался решить эту проблему, но не могу связать ее с каким-либо решением. У меня есть следующий набор данных:
[
{"name": "sam", "hobbies": ["Books", "Music", "Gym"]},
{"name": "Steve", "hobbies": ["Books", "Swimming"]},
{"name": "Alex", "hobbies": ["Gym", "Music"]}
]
Я пытаюсь сгенерировать выходной набор данных, который может объединять людей по увлечениям. Таким образом, вывод должен выглядеть примерно так:
[
{"names": ["sam", "Steve"], "hobbies": ["Books"]},
{"names": ["sam", "Alex"], "hobbies": ["Music", "Gym"]},
{"names": ["Steve"], "hobbies": ["Swimming"]}
]
Это большой набор данных, поэтому я пытался использовать Spark.
Вещи, которые я пробовал:
-
Изначально я пытался понять, не проблема ли это с графом, и я могу использовать что-то вроде сильно связанных компонентов, но, похоже, это не решит проблему.
-
Каждая строка вывода выглядит как двудольный граф, но я не смог найти способ сгенерировать и его.
-
Другим подходом была кластеризация, но я думал, что она не будет детерминированной. Пожалуйста, дайте мне знать, если я ошибаюсь. Я не слишком хорошо знаком с этим.
Дайте мне знать, если я упускаю что-то очевидное здесь. Спасибо.
Комментарии:
1. вы можете использовать
explode
хобби, а затем использоватьgroupBy
amp;collect list
в столбцах имя и хобби.2. @Srinivas да, но тогда как мне найти частичные списки имен, которые являются общими увлечениями?
Ответ №1:
Проверьте приведенный ниже код.
scala> df.show(false)
------------------- -----
|hobbies |name |
------------------- -----
|[Books, Music, Gym]|sam |
|[Books, Swimming] |Steve|
|[Gym, Music] |Alex |
------------------- -----
Использование groupBy
amp; collect_list
- Группировать
hobbies
и собирать списокnames
- Группировать
names
и собирать списокhobbies
scala> :paste
// Entering paste mode (ctrl-D to finish)
df
.withColumn("hobbies",explode($"hobbies"))
.groupBy($"hobbies").agg(collect_list($"name").as("names")) // For Hobbies List
.groupBy($"name").agg(collect_list($"hobbies").as("hobbies")) // For Name List
.select(collect_list(to_json(struct($"hobbies",$"names"))).as("data")) // Final Json Output
.show(false)
// Exiting paste mode, now interpreting.
--------------------------------------------------------------------------------------------------------------------------------------------
|data |
--------------------------------------------------------------------------------------------------------------------------------------------
|[{"hobbies":["Swimming"],"names":["Steve"]}, {"hobbies":["Books"],"names":["sam","Steve"]}, {"hobbies":["Music","Gym"],"names":["sam","Alex"]}]|
--------------------------------------------------------------------------------------------------------------------------------------------
Форматированный вывод
[
{ "hobbies": ["Swimming"],"names": ["Steve"]},
{"hobbies": ["Books"],"names": ["sam","Steve"]},
{"hobbies": ["Music","Gym"],"names": ["sam","Alex"]}
]
Комментарии:
1. Я предполагаю, что вторая groupBy находится в $ «names», выводе agg первой groupBy. Я думаю, это сработает. Я попробую. Спасибо