1

我有表格的输入记录

2013-07-09T19:17Z,f1,f2
2013-07-09T03:17Z,f1,f2
2013-07-09T21:17Z,f1,f2
2013-07-09T16:17Z,f1,f2
2013-07-09T16:14Z,f1,f2
2013-07-09T16:16Z,f1,f2
2013-07-09T01:17Z,f1,f2
2013-07-09T16:18Z,f1,f2

这些代表时间戳和事件。这些都是我手写的，但实际数据应该根据时间排序。

我想生成一组记录，这些记录将输入到需要连续时间序列的绘图函数中。我想填写缺失值，即如果有“2013-07-09T19:17Z”和“2013-07-09T19:19Z”的条目，我想生成“2013-07-09T19:18Z”的条目" 具有预定义的值。

我对这样做的想法：

  1. 使用 MIN 和 MAX 查找系列中的开始和结束日期
  2. 编写取最小值和最大值并返回缺少时间戳的关系的 UDF
  3. 加入以上2个关系

不过，我无法弄清楚如何在 PIG 中实现这一点。将不胜感激任何帮助。

谢谢！

4

2 回答 2

1

使用脚本（在 pig 之外）生成另一个文件，其中所有时间戳都在 MIN 和 MAX 之间，包括 MIN 和 MAX。将此作为第二个数据集加载。这是我从您的数据集中使用的示例。请注意，我只填补了几个空白，而不是全部。

2013-07-09T01:17Z,d1,d2
2013-07-09T01:18Z,d1,d2
2013-07-09T03:17Z,d1,d2
2013-07-09T16:14Z,d1,d2
2013-07-09T16:15Z,d1,d2
2013-07-09T16:16Z,d1,d2
2013-07-09T16:17Z,d1,d2
2013-07-09T16:18Z,d1,d2
2013-07-09T19:17Z,d1,d2
2013-07-09T21:17Z,d1,d2

对原始数据集和上面生成的数据集执行 COGROUP。使用嵌套的 FOREACH GENERATE 来编写输出数据集。如果第一个数据集为空，则使用第二个集合中的值生成输出数据集，否则使用第一个数据集。这是我在这两个数据集上使用的一段代码。

Org_Set = LOAD 'pigMissingData/timeSeries' USING PigStorage(',') AS (timeStamp, fl1, fl2);
Default_set = LOAD 'pigMissingData/timeSeriesFull' USING PigStorage(',') AS (timeStamp, fl1, fl2);
coGrouped = COGROUP Org_Set BY timeStamp, Default_set BY timeStamp;

Filled_Data_set = FOREACH coGrouped {
    x = COUNT(times);
    y = (x == 0?  (Default_set.fl1, Default_set.fl2): (Org_Set.fl1, Org_Set.fl2));
    GENERATE FLATTEN(group), FLATTEN(y.$0), FLATTEN(y.$1);
};

如果您需要进一步澄清或帮助，请告诉我

于 2013-07-30T05:49:09.077 回答
1

除了@Rags 答案之外，您还可以使用该STREAM x THROUGH命令和一个简单的 awk 脚本（类似于这个）在您拥有最小和最大日期后生成日期范围。类似于（未经测试！-您可能需要用分号命令分隔符单行 awk 脚本，或者最好将其作为脚本文件发送）

grunt> describe bounds;
(min:chararray, max:chararray)
grunt> dump bounds;
(2013/01/01,2013/01/04)
grunt> fullDateBounds = STREAM bounds THROUGH `gawk '{
  split($1,s,"/")
  split($2,e,"/")
  st=mktime(s[1] " " s[2] " " s[3] " 0 0 0")
  et=mktime(e[1] " " e[2] " " e[3] " 0 0 0")
  for (i=st;i<=et;i+=60*24) print strftime("%Y/%m/%d",i)
}'`;
于 2013-07-30T10:49:38.647 回答