我有一张像这样的桌子

+---------------+------+
|id             | value|
+---------------+------+
|               1|118.0|
|               2|109.0|
|               3|113.0|
|               4| 82.0|
|               5| 60.0|
|               6|111.0|
|               7|107.0|
|               8| 84.0|
|               9| 91.0|
|              10|118.0|
+---------------+------+

ans 希望将值聚合或分箱到一个范围0,10,20,30,40,...80,90,100,110,120我如何在 SQL 或更具体的 Spark sql 中执行此操作？

目前我有一个与范围连接的横向视图，但这看起来相当笨拙/效率低下。

离散化的分位数并不是我真正想要的，而是CUT与这个范围。

edit

https://github.com/collectivemedia/spark-ext/blob/master/sparkext-mllib/src/main/scala/org/apache/spark/ml/feature/Binning.scala会执行动态垃圾箱，但我宁愿需要这个指定的范围。

在一般情况下，静态分箱可以使用org.apache.spark.ml.feature.Bucketizer:

val df = Seq(
  (1, 118.0), (2, 109.0), (3, 113.0), (4, 82.0), (5, 60.0),
  (6, 111.0), (7, 107.0), (8,  84.0), (9, 91.0), (10, 118.0)
).toDF("id", "value")

val splits = (0 to 12).map(_ * 10.0).toArray

import org.apache.spark.ml.feature.Bucketizer
val bucketizer = new Bucketizer()
  .setInputCol("value")
  .setOutputCol("bucket")
  .setSplits(splits)

val bucketed = bucketizer.transform(df)

val solution = bucketed.groupBy($"bucket").agg(count($"id") as "count")

Result:

scala> solution.show
+------+-----+
|bucket|count|
+------+-----+
|   8.0|    2|
|  11.0|    4|
|  10.0|    2|
|   6.0|    1|
|   9.0|    1|
+------+-----+

当值位于定义的 bin 之外时，bucketizer 会抛出错误。可以将分割点定义为Double.NegativeInfinity or Double.PositiveInfinity捕获异常值。

Bucketizer旨在通过对正确的存储桶执行二分搜索来有效地处理任意分割。对于像您这样的常规垃圾箱，人们可以简单地执行以下操作：

val binned = df.withColumn("bucket", (($"value" - bin_min) / bin_width) cast "int")

where bin_min and bin_width分别是最小 bin 的左间隔和 bin 宽度。