R SparkR gapply用法及代码示例

说明：

使用指定的列对 SparkDataFrame 进行分组，并将 R 函数应用于每个组。

用法：

gapply(x, ...)

## S4 method for signature 'GroupedData'
gapply(x, func, schema)

## S4 method for signature 'SparkDataFrame'
gapply(x, cols, func, schema)

参数：

• x SparkDataFrame 或 GroupedData。
• ... 传递给方法的附加参数。
• func 要应用于由 SparkDataFrame 的分组列指定的每个组分区的函数。查看详细信息。
• schema 应用函数后生成的 SparkDataFrame 的架构。架构必须与 func 的输出匹配。它必须为每个输出列定义首选输出列名称和相应的数据类型。从 Spark 2.3 开始，模式也支持 DDL 格式的字符串。
• cols 分组列。

细节：

func 是两个参数的函数。第一个，通常命名为key(尽管这不是强制的)对应于分组键，将是一个未命名的length(cols) length-one 对象的list，对应于当前组的分组列的值。

第二个，这里是 x ，将是一个本地的 data.frame ，对于与 key 对应的行，输入的列不在 cols 中。

func 的输出必须是与 schema 匹配的 data.frame - 特别是这意味着输出 data.frame 的名称无关紧要

返回：

一个 SparkDataFrame。

注意：

自 2.0.0 以来的 gapply(GroupedData)

从 2.0.0 开始的 gapply(SparkDataFrame)

例子：

# Computes the arithmetic mean of the second column by grouping
# on the first and third columns. Output the grouping values and the average.

df <- createDataFrame (
list(list(1L, 1, "1", 0.1), list(1L, 2, "1", 0.2), list(3L, 3, "3", 0.3)),
  c("a", "b", "c", "d"))

# Here our output contains three columns, the key which is a combination of two
# columns with data types integer and string and the mean which is a double.
schema <- structType(structField("a", "integer"), structField("c", "string"),
  structField("avg", "double"))
result <- gapply(
  df,
  c("a", "c"),
  function(key, x) {
    # key will either be list(1L, '1') (for the group where a=1L,c='1') or
    #   list(3L, '3') (for the group where a=3L,c='3')
    y <- data.frame(key, mean(x$b), stringsAsFactors = FALSE)
}, schema)

# The schema also can be specified in a DDL-formatted string.
schema <- "a INT, c STRING, avg DOUBLE"
result <- gapply(
  df,
  c("a", "c"),
  function(key, x) {
    y <- data.frame(key, mean(x$b), stringsAsFactors = FALSE)
}, schema)

# We can also group the data and afterwards call gapply on GroupedData.
# For example:
gdf <- group_by(df, "a", "c")
result <- gapply(
  gdf,
  function(key, x) {
    y <- data.frame(key, mean(x$b), stringsAsFactors = FALSE)
}, schema)
collect(result)

# Result
# ------
# a c avg
# 3 3 3.0
# 1 1 1.5

# Fits linear models on iris dataset by grouping on the 'Species' column and
# using 'Sepal_Length' as a target variable, 'Sepal_Width', 'Petal_Length'
# and 'Petal_Width' as training features.

df <- createDataFrame (iris)
schema <- structType(structField("(Intercept)", "double"),
  structField("Sepal_Width", "double"),structField("Petal_Length", "double"),
  structField("Petal_Width", "double"))
df1 <- gapply(
  df,
  df$"Species",
  function(key, x) {
    m <- suppressWarnings(lm(Sepal_Length ~
    Sepal_Width + Petal_Length + Petal_Width, x))
    data.frame(t(coef(m)))
  }, schema)
collect(df1)

# Result
# ---------
# Model  (Intercept)  Sepal_Width  Petal_Length  Petal_Width
# 1        0.699883    0.3303370    0.9455356    -0.1697527
# 2        1.895540    0.3868576    0.9083370    -0.6792238
# 3        2.351890    0.6548350    0.2375602     0.2521257