sparkDataFrame聚合操作

在聚合操作中,需要指定键或分组方式,以及指定如何转换一列或多列数据的聚合函数。s
除了处理任意类型的值之外，Spark还可以创建以下分组类型：

• 最简单的分组通过在select语句中执行聚合来汇总整个DataFrame
• “group by”指定一个或者多个key也可以指定一个或者多个聚合函数，来对包括value的列执行行转换操作。
• “window”指定一个或者多个key也可以指定一个或者多个聚合函数，来对包含value的列执行转换操作。
• “grouping set”可用于在多个不同级别进行聚合。grouping set是SQL中的一个保留字,而在DataFrame中需要使用rollup和cube。
• “rollup”指定一个或多个key,也可以指定一个或多个聚合函数,来对包含value的列执行转换操作,并会针对指定的多个key进行分级分组汇总。
• “cube”指定一个或多个key,也可以指定一个或多个聚合函数,来对包含value 的列执行转换操作,并会针对指定的多个key进行全组合分组汇总。
  注意：要获得一个精确的结果，开销会非常大。但是计算出一个近似的结果要相对容易的多。通常使用一些近似函数，会提高spark作业的效率

聚合函数

count函数

count函数是一个转换操作而不是一个动作操作。
count可以执行以下2种操作：

• 对指定列进行计数
• 使用count(*)或count(1)对所有列进行计数

approx_count_distinct函数

功能与count_distinct一样，但是统计的结果允许有误差。这里approx_count_distinct的另一个参数就指定了可容忍的误差的最大误差。

sumDistinct函数

去重后，进行求sum

方差和标准差

注意：Spark既支持统计样本的标准差，也支持统计总体的标准差。

skewness和kurtosis

偏度系数（skewness）和峰度系数（kurtosis）都是对数据集中的极端数据点的衡量指标。
偏度系数衡量数据相对于平均值的不对称程度。
峰度系数衡量数据分布形态陡缓程度。

协方差和相关性

cov和corr,它们分别用于计算协方差和相关性。相关性采用Pearson相关系数来衡量,范围是-1~+1。协方差的范围由数据中的输入决定。
注意：协方差又分为样本协方差和总体协方差。