Spark - un aumento de trama de datos de columnas de índice (columna Identificación del incremento)

Trama de datos Spark añadió Identificación del incremento

  Al procesar los datos con Spark, a menudo es necesario añadir un número de ID de la subasta a toda la cantidad de datos, cuando se almacena en la base de datos, incremento ID es a menudo un factor crítico. Necesidad de especificar un tipo de identificador de columna LightGBMRanker mmlspark int / mucho tiempo en uso, lo que sigue son varias implementaciones.

Uso del operador RDD zipWithIndex

// 在原Schema信息的基础上添加一列 “id”信息
val schema: StructType = dataframe.schema.add(StructField("id", LongType))

// DataFrame转RDD 然后调用 zipWithIndex
val dfRDD: RDD[(Row, Long)] = dataframe.rdd.zipWithIndex()

val rowRDD: RDD[Row] = dfRDD.map(tp => Row.merge(tp._1, Row(tp._2)))

// 将添加了索引的RDD 转化为DataFrame
val df2 = spark.createDataFrame(rowRDD, schema)

df2.show()

+-----------+-----------+---+
|        lon|        lat| id|
+-----------+-----------+---+
|106.4273071|29.63554591|  0|
|  106.44104|29.51372023|  1|
|106.4602661|29.60211821|  2|
|106.4657593|29.45394812|  3|
+-----------+-----------+---+

Utilice la función SparkSQL

    import org.apache.spark.sql.functions._
    val inputDF = inputDF.withColumn("id", monotonically_increasing_id)
    inputDF.show