用sparklyr中的dplyr计算每列中唯一元素的数量

StatsBoy

我正在尝试计算spark数据集中每列中唯一元素的数量。

但是似乎火花无法识别tally（） k<-collect(s%>%group_by(grouping_type)%>%summarise_each(funs(tally(distinct(.))))) Error: org.apache.spark.sql.AnalysisException: undefined function TALLY

似乎spark也无法识别简单的r函数，例如“ unique”或“ length”。我可以在本地数据上运行代码，但是当我尝试在spark表上运行完全相同的代码时，它不起作用。

```

d<-data.frame(cbind(seq(1,10,1),rep(1,10)))
d$group<-rep(c("a","b"),each=5)
d%>%group_by(group)%>%summarise_each(funs(length(unique(.))))
A tibble: 2 × 3
  group    X1    X2
  <chr> <int> <int>
1     a     5     1
2     b     5     1
k<-collect(s%>%group_by(grouping_type)%>%summarise_each(funs(length(unique(.)))))
Error: org.apache.spark.sql.AnalysisException: undefined function UNIQUE;

```

扎法尔

请记住，在编写sparlyr时，您实际上是在转换为spark-sql，因此您可能需要不时使用spark-sql动词。这是spark-sql动词喜欢count并distinct派上用场的那些时候之一。

library(sparkylr)

sc <- spark_connect()
iris_spk <- copy_to(sc, iris)

# for instance this does not work in R, but it does in sparklyr
iris_spk %>%
  summarise(Species = distinct(Species))
# or
iris_spk %>%
  summarise(Species = approx_count_distinct(Species))

# this does what you are looking for
iris_spk %>% 
    group_by(species) %>%
    summarise_all(funs(n_distinct))

# for larger data sets this is much faster
iris_spk %>% 
    group_by(species) %>%
    summarise_all(funs(approx_count_distinct))

本文收集自互联网，转载请注明来源。

如有侵权，请联系 [email protected] 删除。