Я работаю над искровым кодом с использованием java, где после условия соединения мы получили несколько записей из-за дублирования IDs
в разных источниках (_ 2_ дублируются, но некоторые атрибуты изменены), поэтому с одним и тем же идентификатором у нас есть несколько записей. Мне нужно объединить которые дублируют записи в одной уникальной строке для каждого ID
Входной набор данных
+---+---+---+----+---+---+
|id |b |c |d |f |g |
+---+---+---+----+---+---+
|1 |e |dd |ddd |34 |r5t|
|1 |e |dd2|ddd |34 |r5t|
|1 |e |dd3|ddd |34 |rt |
|2 |e |dd |ddd1|34 |5rt|
|4 |e |dd |ddd1|34 |rt |
|1 |e |dd4|ddd |34 |rt |
|4 |e |dd4|ddd |34 |rt |
|4 |e |dd4|ddd |3 |rt |
|2 |e |dd |ddd |3 |r5t|
|2 |e |dd |ddd |334|rt |
+---+---+---+----+---+---+
ожидаемый результат
+---+--------------+--------------+--------------+-------------------+--------------+
|id |f | b | g|d |d |
+---+--------------+--------------+--------------+-------------------+--------------+
|1 |[34] |[e] |[r5t, rt] |[dd4, dd3, dd2, dd]|[ddd] |
+---+--------------+--------------+--------------+-------------------+--------------+
Я пробовал явно указать collect_list
, как показано ниже
df.groupBy("id").agg(
functions.collect_set("f"),
functions.collect_set("b")
).show(1,false);
Но в моем случае у нас есть 300 столбцов в наборе данных, которые тоже могут быть разными, меняясь несколько раз.