Давайте начнем с некоторых фиктивных данных:
val transactions = Seq((1, 2), (1, 4), (2, 3)).toDF("user_id", "category_id")
val transactions_with_counts = transactions
.groupBy($"user_id", $"category_id")
.count
transactions_with_counts.printSchema
// root
// |-- user_id: integer (nullable = false)
// |-- category_id: integer (nullable = false)
// |-- count: long (nullable = false)
Существует несколько способов получить доступ к значениям Row
и сохранить ожидаемые типы:
import org.apache.spark.sql.Row
transactions_with_counts.map{
case Row(user_id: Int, category_id: Int, rating: Long) =>
Rating(user_id, category_id, rating)
}
get*
, такие как getInt
, getLong
: transactions_with_counts.map(
r => Rating(r.getInt(0), r.getInt(1), r.getLong(2))
)
getAs
метод, который может использовать как имена, так и индексы: transactions_with_counts.map(r => Rating(
r.getAs[Int]("user_id"), r.getAs[Int]("category_id"), r.getAs[Long](2)
))
Это может быть используется для правильного извлечения определенных пользователем типов, включая mllib.linalg.Vector
. Очевидно, что для доступа по имени требуется схема. Dataset
(Spark 1.6+ / 2.0+): transactions_with_counts.as[(Int, Int, Long)]