【问题标题】：Running Sum of last one hour transaction using Spark Scala使用 Spark Scala 运行最后一小时事务的总和
【发布时间】：2016-03-19 00:28:12
【问题描述】：

我想使用 Spark-Scala 计算每笔交易的最后一小时的运行总和。我有以下包含三个字段的数据框，并希望计算第四个字段，如下所示：

Customer     TimeStamp        Tr Last_1Hr_RunningSum
Cust-1  6/1/2015 6:51:55      1        1
Cust-1  6/1/2015 6:58:34      3        4
Cust-1  6/1/2015 7:20:46      3        7
Cust-1  6/1/2015 7:40:45      4       11
Cust-1  6/1/2015 7:55:34      5       15
Cust-1  6/1/2015 8:20:34      0       12
Cust-1  6/1/2015 8:34:34      3       12
Cust-1  6/1/2015 9:35:34      7        7
Cust-1  6/1/2015 9:45:34      3       10
Cust-2  6/1/2015 16:26:34     2        2
Cust-2  6/1/2015 16:35:34     1        3
Cust-2  6/1/2015 17:39:34     3        3
Cust-2  6/1/2015 17:43:34     5        8
Cust-3  6/1/2015 17:17:34     6        6
Cust-3  6/1/2015 17:21:34     4       10
Cust-3  6/1/2015 17:45:34     2       12
Cust-3  6/1/2015 17:56:34     3       15
Cust-3  6/1/2015 18:21:34     4       13
Cust-3  6/1/2015 19:24:34     1        1

我想将“Last_1Hr_RunningSum”计算为新字段，该字段按客户 ID 从每笔交易中回顾一小时并获取一些“Tr”（交易归档）。

例如：Cust-1 at 6/1/2015 8:20:34 将回溯到 6/1/2015 7:20:46 并取 (0+5+4+3) = 12 的总和。
对于每一行，我想回顾一小时并计算在那一小时内所有交易的总和。

我尝试使用嵌套查询运行 sqlContext.sql，但它给了我错误。 Spark-Scala SQLContext 也不支持窗口函数和分区上的行号。

如何仅使用带有 Spark-Scala 的“TimeStamp”列从“Tr”获取过去一小时的总和。

提前致谢。

【问题讨论】：

您应该显示查询并修复示例数据的缩进和格式，以及预期的数据
@AlbertoBonsanto 我已经修复了示例数据的缩进和格式。输入表将是前三个字段，预期输出表将带有附加字段“Last_1Hr_RunningSum”。
“我尝试使用嵌套查询运行 sqlContext.sql，但它给了我错误”我们是否打算猜测您尝试了什么查询以及您遇到了什么错误？
@The Archetypal Paul，不支持 spark sql 中的嵌套查询。

标签： scala apache-spark

【解决方案1】：

我尝试使用嵌套查询运行 sqlContext.sql，但它给了我错误

您是否尝试过使用加入？

df.registerTempTable("input")

val result = sqlContext.sql("""
        SELECT
           FIRST(a.Customer) AS Customer,
           FIRST(a.Timestamp) AS Timestamp,
           FIRST(a.Tr) AS Tr,
           SUM(b.Tr) AS Last_1Hr_RunningSum
        FROM input a
        JOIN input b ON
          a.Customer = b.Customer
          AND b.Timestamp BETWEEN (a.Timestamp - 3600000) AND a.Timestamp
        GROUP BY a.Customer, a.Timestamp
        ORDER BY a.Customer, a.Timestamp
        """)

result.show()

打印预期结果：

+--------+-------------+---+-------------------+
|Customer|    Timestamp| Tr|Last_1Hr_RunningSum|
+--------+-------------+---+-------------------+
|  Cust-1|1420519915000|  1|                1.0|
|  Cust-1|1420520314000|  3|                4.0|
|  Cust-1|1420521646000|  3|                7.0|
|  Cust-1|1420522845000|  4|               11.0|
|  Cust-1|1420523734000|  5|               15.0|
|  Cust-1|1420525234000|  0|               12.0|
|  Cust-1|1420526074000|  3|               12.0|
|  Cust-1|1420529734000|  7|                7.0|
|  Cust-1|1420530334000|  3|               10.0|
|  Cust-2|1420554394000|  2|                2.0|
|  Cust-2|1420554934000|  1|                3.0|
|  Cust-2|1420558774000|  3|                3.0|
|  Cust-2|1420559014000|  5|                8.0|
|  Cust-3|1420557454000|  6|                6.0|
|  Cust-3|1420557694000|  4|               10.0|
|  Cust-3|1420559134000|  2|               12.0|
|  Cust-3|1420559794000|  3|               15.0|
|  Cust-3|1420561294000|  4|               13.0|
|  Cust-3|1420565074000|  1|                1.0|
+--------+-------------+---+-------------------+

（此解决方案假定时间以毫秒为单位）

【讨论】：