大纲
在前面几篇文章中,我们分别介绍了UDF、UDTF和UDAF这三种用户自定义函数。本节我们将介绍最后一种函数:UDTAF——用户自定义表值聚合函数。
UDTAF
UDTAF函数即具备了UDTF的特点,也具备UDAF的特点。即它可以像《0基础学习PyFlink——用户自定义函数之UDTF》介绍的UDTF那样可以返回任意数量的行作为输,又可以像《0基础学习PyFlink——用户自定义函数之UDAF》介绍的UDAF那样通过聚合的数据(多组)计算出一个值。
举一个例子:我们拿到一个学生成绩表,每行包括:
- 学生姓名
- 英语成绩
- 数学成绩
- 年级
现在我们需要把这张表调整为:
- 学生姓名
- 成绩
- 科目
- 科目年级平均成绩
- 年级 将一行中的“英语成绩”和“数学成绩”,拆成“成绩”和“科目”,相当于把一行数据拆解成多行,如上图左侧“张三”只有一行,而右侧有两行“张三”信息。这种拆解操作就需要T类型的用户自定义函数,比如UDTF和UDTAF。 而我们需要计算一个年级一科的平均成绩,比如1年级英语的平均成绩,则需要按年级聚合之后再做计算。这个就需要A类型的用户自定义函数,比如UDAF和UDTAF。 同时要满足上述两种技术方案的就是UDTAF。我们先看下主体代码,它和《0基础学习PyFlink——用户自定义函数之UDAF》中的很像。但是有两个重要区别:
- 要设置成in_streaming_mode模式,否则会报错;
- udtaf要修饰一个对象,而非一个方法;
defcalc():
config = Configuration()# write all the data to one file
config.set_string('parallelism.default','1')
env_settings = EnvironmentSettings \
.new_instance() \
.in_streaming_mode() \
.with_configuration(config) \
.build()
t_env = TableEnvironment.create(env_settings)
row_type_tab_source = DataTypes.ROW([DataTypes.FIELD('name', DataTypes.STRING()), DataTypes.FIELD('english', DataTypes.FLOAT()), DataTypes.FIELD('math', DataTypes.FLOAT()), DataTypes.FIELD('grade', DataTypes.STRING())])
students_score =[("张三",80.0,60.0,"1"),("李四",75.0,95.0,"1"),("王五",90.0,90.0,"2"),("赵六",85.0,70.0,"2"),("孙七",60.0,0.0,"3"),]
tab_source = t_env.from_elements(students_score, row_type_tab_source)
split_class = udtaf(SplitClass())
tab_source.group_by(col('grade')) \
.flat_aggregate(split_class) \
.select(col('*')) \
.execute().print()
TableAggregateFunction的实现
用于计算的类要继承于TableAggregateFunction,即UDTAF中的TAF。
classSplitClass(TableAggregateFunction):
_class_keys =["english","math"]
我们需要通过get_result_type告诉框架,UDTAF函数返回的是什么类型的数据。一般我们都是构造一个行类型——ROW,然后定义其每个字段的值和类型:
- name:string类型,用户姓名;
- score:float类型,考分;
- avg score:float类型,科目年级平均分数;
- class:sting类型,科目名称;
累加器
accumulator(累加器)是用于参与计算的中间数据。比如这个案例中,我们会向让accumulator保存拆解后的数据(即一行拆解成多行后的数据),然后再计算各年级每科的平均成绩。
定义
defget_accumulator_type(self):return DataTypes.ARRAY(DataTypes.ROW([DataTypes.FIELD("name", DataTypes.STRING()), DataTypes.FIELD("score", DataTypes.FLOAT()), DataTypes.FIELD("class", DataTypes.STRING())]))
因为只是为了保存展开的数据,于是我们只用定义均值计算之前的字段:
- name:string类型,姓名;
- score:float类型,分数;
- class:string类型,科目名称;
创建
刚开始时,我们让其是一个空数组,对应上定义中的ARRAY类型。
defcreate_accumulator(self):return[]
累加
我们对科目进行遍历,进行行的拆分。即将(“张三”, 80.0, 60.0, “1”)拆解成(“张三”, 80.0, “english”)和(“张三”, 60.0, “math”)这样的两组数据。
defaccumulate(self, accumulator, row):for i in self._class_keys:
accumulator.append(Row(row["name"], row[i], i))
返回
类型
defget_result_type(self):return DataTypes.ROW([DataTypes.FIELD("name", DataTypes.STRING()), DataTypes.FIELD("score", DataTypes.FLOAT()), DataTypes.FIELD("avg score", DataTypes.FLOAT()), DataTypes.FIELD("class", DataTypes.STRING())])
可以看到result_type(返回类型)和accumulator_type(累加器类型)是不一样的(也可以一样,主要看怎么计算规则)。前者比后者多了“学科年级平均分”(avg score),这就更加接近我们希望获得的最终结果。
这些字段和我们目标字段只差一个grade(年级)。因为原始表中有grade,且我们会通过grade聚类,所以最终我们可以获得这个信息,而不用在这儿定义。
需要注意的是,虽然表值类型函数返回的是一组数据(若干Row),但是这儿只是返回Row的具体定义,而不是ARRAY[Row]。
计算
defemit_value(self, accumulator):
rows =[]for i in self._class_keys:
total =0.0
student_count =0for y in accumulator:# y[2] y[]"class"]if i == y[2]:# y[1] y["score"]
total = total + y[1]
student_count = student_count +1
avg_score = total / student_count
for y in accumulator:if i == y[2]:
rows.append(Row(y[0], y[1], avg_score, y[2]))for x in rows:yield x
这个函数会在最后执行,它会通过累加器中的数据计算“学科年级平均分”,然后构造和“返回类型”一直的Row到rows数组中。最后通过yeild关键字返回一个生成器,我们可以将其看成还是一组Row,即拆解后的结果。
最后我们看下结果
+----+--------------------------------+--------------------------------+--------------------------------+--------------------------------+--------------------------------+
|op| grade | name | score | avg score | class |
+----+--------------------------------+--------------------------------+--------------------------------+--------------------------------+--------------------------------+
| +I |1| 张三 |80.0|77.5| english || +I |1| 李四 |75.0|77.5| english || +I |1| 张三 |60.0|77.5| math || +I |1| 李四 |95.0|77.5| math || +I |2| 王五 |90.0|87.5| english || +I |2| 赵六 |85.0|87.5| english || +I |2| 王五 |90.0|80.0| math || +I |2| 赵六 |70.0|80.0| math || +I |3| 孙七 |60.0|60.0| english || +I |3| 孙七 |0.0|0.0| math |
+----+--------------------------------+--------------------------------+--------------------------------+--------------------------------+--------------------------------+
10 rows inset
完整代码
from pyflink.common import Configuration
from pyflink.table import(EnvironmentSettings, TableEnvironment, Schema)from pyflink.table.types import DataTypes
from pyflink.table.table_descriptor import TableDescriptor
from pyflink.table.expressions import lit, col
from pyflink.common import Row
from pyflink.table.udf import udf,udtf,udaf,udtaf,TableAggregateFunction
import pandas as pd
from pyflink.table.udf import UserDefinedFunction
from typing import List
classSplitClass(TableAggregateFunction):
_class_keys =["english","math"]defemit_value(self, accumulator):
rows =[]for i in self._class_keys:
total =0.0
student_count =0for y in accumulator:if i == y[2]:
total = total + y[1]
student_count = student_count +1
avg_score = total / student_count
for y in accumulator:if i == y[2]:
rows.append(Row(y[0], y[1], avg_score, y[2]))return rows
defcreate_accumulator(self):return[]defaccumulate(self, accumulator, row):for i in self._class_keys:
accumulator.append(Row(row["name"], row[i], i))defget_accumulator_type(self):return DataTypes.ARRAY(DataTypes.ROW([DataTypes.FIELD("name", DataTypes.STRING()), DataTypes.FIELD("score", DataTypes.FLOAT()), DataTypes.FIELD("class", DataTypes.STRING())]))defget_result_type(self):return DataTypes.ROW([DataTypes.FIELD("name", DataTypes.STRING()), DataTypes.FIELD("score", DataTypes.FLOAT()), DataTypes.FIELD("avg score", DataTypes.FLOAT()), DataTypes.FIELD("class", DataTypes.STRING())])defcalc():
config = Configuration()# write all the data to one file
config.set_string('parallelism.default','1')
env_settings = EnvironmentSettings \
.new_instance() \
.in_streaming_mode() \
.with_configuration(config) \
.build()
t_env = TableEnvironment.create(env_settings)
row_type_tab_source = DataTypes.ROW([DataTypes.FIELD('name', DataTypes.STRING()), DataTypes.FIELD('english', DataTypes.FLOAT()), DataTypes.FIELD('math', DataTypes.FLOAT()), DataTypes.FIELD('grade', DataTypes.STRING())])
students_score =[("张三",80.0,60.0,"1"),("李四",75.0,95.0,"1"),("王五",90.0,90.0,"2"),("赵六",85.0,70.0,"2"),("孙七",60.0,0.0,"3"),]
tab_source = t_env.from_elements(students_score, row_type_tab_source)
split_class = udtaf(SplitClass())
tab_source.group_by(col('grade')) \
.flat_aggregate(split_class) \
.select(col('*')) \
.execute().print()if __name__ =='__main__':
calc()
版权归原作者 breaksoftware 所有, 如有侵权,请联系我们删除。