一、简单聚合 1.1 数据准备 // 需要导入 spark sql 内置的函数包 import org.apache.spark.sql.functions._ val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate() val empDF = spark.read.json("/usr/file/json/emp.json") // 注册为临时视图，用于后面演示 SQL 查询 empDF.createOrReplaceTempView("emp") empDF.show()
注：emp.json 可以从本仓库的resources 目录下载。
1.2 count // 计算员工人数 empDF.select(count("ename")).show() 1.3 countDistinct // 计算姓名不重复的员工人数 empDF.select(countDistinct("deptno")).show() 1.4 approx_count_distinct通常在使用大型数据集时，你可能关注的只是近似值而不是准确值，这时可以使用 approx_count_distinct 函数，并可以使用第二个参数指定最大允许误差。
empDF.select(approx_count_distinct ("ename",0.1)).show() 1.5 first & last获取 DataFrame 中指定列的第一个值或者最后一个值。
empDF.select(first("ename"),last("job")).show() 1.6 min & max获取 DataFrame 中指定列的最小值或者最大值。
empDF.select(min("sal"),max("sal")).show() 1.7 sum & sumDistinct求和以及求指定列所有不相同的值的和。
empDF.select(sum("sal")).show() empDF.select(sumDistinct("sal")).show() 1.8 avg内置的求平均数的函数。
empDF.select(avg("sal")).show() 1.9 数学函数Spark SQL 中还支持多种数学聚合函数，用于通常的数学计算，以下是一些常用的例子：
// 1.计算总体方差、均方差、总体标准差、样本标准差 empDF.select(var_pop("sal"), var_samp("sal"), stddev_pop("sal"), stddev_samp("sal")).show() // 2.计算偏度和峰度 empDF.select(skewness("sal"), kurtosis("sal")).show() // 3. 计算两列的皮尔逊相关系数、样本协方差、总体协方差。(这里只是演示，员工编号和薪资两列实际上并没有什么关联关系) empDF.select(corr("empno", "sal"), covar_samp("empno", "sal"),covar_pop("empno", "sal")).show() 1.10 聚合数据到集合 scala> empDF.agg(collect_set("job"), collect_list("ename")).show() 输出： +--------------------+--------------------+ | collect_set(job)| collect_list(ename)| +--------------------+--------------------+ |[MANAGER, SALESMA...|[SMITH, ALLEN, WA...| +--------------------+--------------------+ 二、分组聚合 2.1 简单分组 empDF.groupBy("deptno", "job").count().show() //等价 SQL spark.sql("SELECT deptno, job, count(*) FROM emp GROUP BY deptno, job").show() 输出： +------+---------+-----+ |deptno| job|count| +------+---------+-----+ | 10|PRESIDENT| 1| | 30| CLERK| 1| | 10| MANAGER| 1| | 30| MANAGER| 1| | 20| CLERK| 2| | 30| SALESMAN| 4| | 20| ANALYST| 2| | 10| CLERK| 1| | 20| MANAGER| 1| +------+---------+-----+ 2.2 分组聚合 empDF.groupBy("deptno").agg(count("ename").alias("人数"), sum("sal").alias("总工资")).show() // 等价语法 empDF.groupBy("deptno").agg("ename"->"count","sal"->"sum").show() // 等价 SQL spark.sql("SELECT deptno, count(ename) ,sum(sal) FROM emp GROUP BY deptno").show() 输出： +------+----+------+ |deptno|人数|总工资| +------+----+------+ | 10| 3|8750.0| | 30| 6|9400.0| | 20| 5|9375.0| +------+----+------+ 三、自定义聚合函数Scala 提供了两种自定义聚合函数的方法，分别如下：
有类型的自定义聚合函数，主要适用于 DataSet；
无类型的自定义聚合函数，主要适用于 DataFrame。
以下分别使用两种方式来自定义一个求平均值的聚合函数，这里以计算员工平均工资为例。两种自定义方式分别如下：
3.1 有类型的自定义函数 import org.apache.spark.sql.expressions.Aggregator import org.apache.spark.sql.{Encoder, Encoders, SparkSession, functions} // 1.定义员工类,对于可能存在 null 值的字段需要使用 Option 进行包装 case class Emp(ename: String, comm: scala.Option[Double], deptno: Long, empno: Long, hiredate: String, job: String, mgr: scala.Option[Long], sal: Double) // 2.定义聚合操作的中间输出类型 case class SumAndCount(var sum: Double, var count: Long) /* 3.自定义聚合函数 * @IN 聚合操作的输入类型 * @BUF reduction 操作输出值的类型 * @OUT 聚合操作的输出类型 */ object MyAverage extends Aggregator[Emp, SumAndCount, Double] { // 4.用于聚合操作的的初始零值 override def zero: SumAndCount = SumAndCount(0, 0) // 5.同一分区中的 reduce 操作 override def reduce(avg: SumAndCount, emp: Emp): SumAndCount = { avg.sum += emp.sal avg.count += 1 avg } // 6.不同分区中的 merge 操作 override def merge(avg1: SumAndCount, avg2: SumAndCount): SumAndCount = { avg1.sum += avg2.sum avg1.count += avg2.count avg1 } // 7.定义最终的输出类型 override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count // 8.中间类型的编码转换 override def bufferEncoder: Encoder[SumAndCount] = Encoders.product // 9.输出类型的编码转换 override def outputEncoder: Encoder[Double] = Encoders.scalaDouble } object SparkSqlApp { // 测试方法 def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate() import spark.implicits._ val ds = spark.read.json("file/emp.json").as[Emp] // 10.使用内置 avg() 函数和自定义函数分别进行计算，验证自定义函数是否正确 val myAvg = ds.select(MyAverage.toColumn.name("average_sal")).first() val avg = ds.select(functions.avg(ds.col("sal"))).first().get(0) println("自定义 average 函数 : " + myAvg) println("内置的 average 函数 : " + avg) } }自定义聚合函数需要实现的方法比较多，这里以绘图的方式来演示其执行流程，以及每个方法的作用：
