count - sumar - recorrer data frame pandas

Spark: Cómo traducir el conteo(distinto(valor)) en las API de Dataframe

Question

Estoy tratando de comparar diferentes maneras de agregar mis datos.

Estos son mis datos de entrada con 2 elementos (página, visitante):

(PAG1,V1)
(PAG1,V1)
(PAG2,V1)
(PAG2,V2)
(PAG2,V1)
(PAG1,V1)
(PAG1,V2)
(PAG1,V1)
(PAG1,V2)
(PAG1,V1)
(PAG2,V2)
(PAG1,V3)

Trabajando con un comando SQL en Spark SQL con este código:

import sqlContext.implicits._
case class Log(page: String, visitor: String)
val logs = data.map(p => Log(p._1,p._2)).toDF()
logs.registerTempTable("logs")
val sqlResult= sqlContext.sql(
                              """select page
                                       ,count(distinct visitor) as visitor
                                   from logs
                               group by page
                              """)
val result = sqlResult.map(x=>(x(0).toString,x(1).toString))
result.foreach(println)

Obtengo esta salida:

(PAG1,3) // PAG1 has been visited by 3 different visitors
(PAG2,2) // PAG2 has been visited by 2 different visitors

Ahora, me gustaría obtener el mismo resultado utilizando Dataframes and thiers API, pero no puedo obtener el mismo resultado:

import sqlContext.implicits._
case class Log(page: String, visitor: String)
val logs = data.map(p => Coppia(p._1,p._2)).toDF()
val result = log.select("page","visitor").groupBy("page").count().distinct
result.foreach(println)

De hecho, eso es lo que obtengo como resultado:

[PAG1,8]  // just the simple page count for every page
[PAG2,4]

Probablemente sea algo tonto, pero no puedo verlo ahora.

¡Gracias por adelantado!

FF

Answer 1

Lo que necesita es la función de agregación countDistinct :

import sqlContext.implicits._
import org.apache.spark.sql.functions._

case class Log(page: String, visitor: String)

val logs = data.map(p => Coppia(p._1,p._2))
            .toDF()

val result = log.select("page","visitor")
            .groupBy(''page)
            .agg(''page, countDistinct(''visitor))

result.foreach(println)

Answer 2

Puede utilizar el comando groupBy de groupBy dos veces para hacerlo. Aquí, df1 es su entrada original.

val df2 = df1.groupBy($"page",$"visitor").agg(count($"visitor").as("count"))

Este comando produciría el siguiente resultado:

page  visitor  count
----  ------   ----
PAG2    V2       2
PAG1    V3       1
PAG1    V1       5
PAG1    V2       2
PAG2    V1       2

Luego usa el comando groupBy nuevamente para obtener el resultado final.

 df2.groupBy($"page").agg(count($"visitor").as("count"))

Salida final:

page   count
----   ----
PAG1    3
PAG2    2