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
它们表示时间戳和事件。我已经写了这些手,但实际数据应根据时间排序。
我想生成一组记录,将输入到需要连续时间序列的图形绘制功能。我想填写缺失的值,即如果有“2013-07-09t19:17z”和“2013-07-09t19:19z”的条目,我想为“2013-07-09t19:18z”生成具有预定义值的条目。
我的想法是:
使用min和max查找序列中的开始和结束日期
编写接受min和max并返回缺少时间戳的关系的udf
连接以上2个关系
我不能得到我的头在如何实现这在Pig虽然。如果有任何帮助,我将不胜感激。
谢谢!
2条答案
按热度按时间sshcrbum1#
使用脚本(外部pig)生成另一个文件,所有时间戳都在min和max之间,包括min和max。将其作为第二个数据集加载。这是我从你的数据集中使用的一个示例。请注意,我只填补了几个空白,不是全部。
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来写入输出数据集。如果第一个数据集为空,则使用第二个数据集的值生成输出数据集,否则将生成第一个数据集。下面是我在这两个数据集上使用的一段代码。
如果您需要进一步的澄清或帮助让我知道
rdlzhqv92#
除了@rags answer,您还可以使用
STREAM x THROUGH
命令和一个简单的awk脚本(类似于此)来生成日期范围,一旦您有了最小和最大日期。类似于(未经测试!)您可能需要使用分号命令分隔将awk脚本单行,或者最好将其作为脚本文件发送)