元组在Scala语言中是一种十分重要的数据结构，类似数据库里面的一行记录（row），它可以将不同类型的值组合成一个对象，在实际应用中十分广泛。
先来看一个简单的tuple定义：
````
val tuple=("张三",25)//定义一个tuple
val (name,age)=("张三",25)//变量绑定模式
````上面的第二种例子中，可以直接通过name和age来访问单个tuple的元素
例子（1）：
一个简单的模式匹配
````
val tuple=(1,2,3,4)
def tupleMatch(x:Any)=x match {
case (first,second)=> println(s"第一个元素：${first} 第二个元素：${second}")
case (first,_,three,_)=> println(s"第一个元素：${first} 第三个元素：${three}")
case _=> println("没有任何匹配")
}
tupleMatch(tuple)//匹配上面的第二个
````例子（2）：
根据类型匹配
````
def typeMatch(x:Any)=x match {
case x:String=> println("string")
case x:Int=> println("int")
case x:Boolean=>println("boolean")
case _=> println("其他")
}
typeMatch("x")
````注意上面的代码里面case后面的如果有List[String]类型的，最好用一个类封装起来在做匹配，否则会出错。具体的方式请参考：
https://www.cakesolutions.net/teamblogs/ways-to-pattern-match-generic-types-in-scala
例子（3）：
变量绑定模式
````
//定义一个对象元组
case class Dog(val name:String,val age:Int)
val dog=Dog("Pet",2)
def patternMatch(x:Any)=x match {
case d@Dog(_,_)=>println("变量值："+d.name)
case _=> println("默认")
}
patternMatch(dog)//Pet
````注意普通的类不能直接使用上面的模式匹配
例子（4）：
for循环的使用元组进行的模式匹配
````
val map= Map("java"->"Hadoop","js"->"vue","scala"->"spark")
//1,变量模式匹配
for( (k,v)<-map ){
println(k,v)
}
println("====================")
//2,常量模式匹配，第二个值必须是spark，才会打印出来
for( (k,e@"spark")<-map ){
println(k,e)
}
println("====================")
//3,类型匹配模式，注意elasticsearch是不会被打印出来的
for( (k,v:String)<- Map("java"->"Hadoop","js"->"vue","scala"->"spark", "elasticsearch"->"java".size) ){
println(k,v)
}
println("====================")
//4,构造函数模式匹配
case class Dog(val name:String,val age:Int)
for(Dog(name,age)<-List(Dog("pet",2),Dog("penny",3),Dog("digo",4) ) ){
println(s"Dog ${name} is ${age} years old")
}
println("====================")
//5,序列模式匹配
for( List(first,_*)<- List( List(1,2,3),List(4,5,6,7) ) ){
println(s"${first}")
}
println("====================")
//6,变量绑定的另一种模式
val list2=List( List(1,2,3),List(4,5,6,7))
def list2Match(x:AnyRef)=x match {
case List(first,e@List(4,_*)) => println(e)
case _=> println("defalult")
}
list2Match(list2)
````结果：
```` (java,Hadoop) (js,vue) (scala,spark) ==================== (scala,spark) ==================== (java,Hadoop) (js,vue) (scala,spark) ==================== Dog pet is 2 years old Dog penny is 3 years old Dog digo is 4 years old ==================== 1 4 ==================== List(4, 5, 6, 7) ````
最后我们使用元组，来模拟一个类似下面的SQL的例子：
表(pet)结构：
```` name(string),ct(int) cat,2 cat,6 cat,2 dog,1 dog,2 ````统计语句：
```` select name ,sum(ct) as c,count(*),max(ct),min(ct) from pet group by name order by c desc ````
Scala代码如下：
````
val list = ArrayBuffer[(String, Int)]()
list += (("cat", 2))
list += (("cat", 6))
list += (("cat", 2))
list += (("dog", 1))
list += (("dog", 2))
println("宠物名,数量")
//使用打印所有的数据
for ((name, count) <- list) {
println(name, count)
}
println("=================================")
//求出，按宠物名分组，出现数量和,出现总次数，最大数量，最小数量，并按照总次数降序排序
val result = list.groupBy(_._1).map {
case (key,valueList) => {
val sum = valueList.map(_._2).sum//求valueList出现次数的总和
val maxCount = valueList.max._2//最大次数
val minCount = valueList.min._2//最小次数
(key -> (sum, valueList.size, maxCount, minCount))//以Map的结果返回
}
}.toSeq.sortWith(_._2._1 > _._2._1)
//转化成Seq后才能进行排序操作，相当于取的是_._2代表的是value的值，
//继续_1代表的是取里面的sum进行降序排序，如果是<号，则是升序排
//使用元组遍历最终结果
println("宠物名,出现数量和,出现总次数，最大数量，最小数量")
for( (name,(sum,size,maxCount,minCount)) <-result ){
println(name,sum,size,maxCount,minCount)
}
````
其实，核心代码只有中间的这一部分：
````
val result = list.groupBy(_._1).map {//分组处理
case (key,valueList) => {
val sum = valueList.map(_._2).sum//求valueList出现次数的总和
val maxCount = valueList.max._2//最大次数
val minCount = valueList.min._2//最小次数
(key -> (sum, valueList.size, maxCount, minCount))//以Map的结果返回
}
}.toSeq.sortWith(_._2._1 > _._2._1)//降序排
````
最终结果：
```` 宠物名,数量 (cat,2) (cat,6) (cat,2) (dog,1) (dog,2) ================================= 宠物名,出现数量和,出现总次数，最大数量，最小数量 (cat,10,3,6,2) (dog,3,2,2,1) ````
简单解释一下核心部分的代码含义：
首先执行了一个groupBy函数，对元组里面的第一个元素也就是宠物名进行
分组，分组之后，每个宠物名一样的数据会聚合在一起，然后执行一个map函数，对里面的valueList进行各种运算，得出来我们
需要的结果后，最终再以Map的数据结构返回，因为Map本身是没法排序的，所以我们得先需要转成Seq类型，最后再执行sortWith方法对value里面的最大次数进行降序排，如果是升序排，只需要把大于号该成小于号即可。
总结：
本篇主要介绍了tuple几种常见的应用场景，通过使用tuple数据结构配合上scala强大的函数方法，我们可以轻松愉快的处理的各种数据集，感兴趣的小伙伴可以自己尝试一下。
有什么问题可以扫码关注微信公众号：我是攻城师(woshigcs)，在后台留言咨询。 技术债不能欠，健康债更不能欠， 求道之路，与君同行。
