Tabla dinámica con Apache Pig

Question

Me pregunto si es posible hacer pivotar una tabla en una pasada en Apache Pig.

de entrada:

Id Column1 Column2 Column3 
1  Row11 Row12 Row13 
2  Row21 Row22 Row23 

Salida:

Id Name  Value 
1  Column1 Row11 
1  Column2 Row12 
1  Column3 Row13 
2  Column1 Row21 
2  Column2 Row22 
2  Column3 Row23 

los datos reales tiene docenas de columnas.

Puedo hacer eso con awk en una pasada y luego ejecutarlo con Hadoop Streaming. Pero la mayoría de mi código es Apache Pig, así que me pregunto si es posible hacerlo en Pig de manera eficiente.

Answer 1

Puede hacerlo de 2 formas: 1. Escriba una UDF que devuelva una bolsa de tuplas. Será la solución más flexible, pero requiere código Java; 2. Escribir un guión rígido como esto:

inpt = load '/pig_fun/input/pivot.txt' as (Id, Column1, Column2, Column3); 
bagged = foreach inpt generate Id, TOBAG(TOTUPLE('Column1', Column1), TOTUPLE('Column2', Column2), TOTUPLE('Column3', Column3)) as toPivot; 
pivoted_1 = foreach bagged generate Id, FLATTEN(toPivot) as t_value; 
pivoted = foreach pivoted_1 generate Id, FLATTEN(t_value); 
dump pivoted; 

La ejecución de este guión me llegó siguientes resultados:

(1,Column1,11) 
(1,Column2,12) 
(1,Column3,13) 
(2,Column1,21) 
(2,Column2,22) 
(2,Column3,23) 
(3,Column1,31) 
(3,Column2,32) 
(3,Column3,33) 

Answer 2

quité col3 de Identificación del 1 al mostrar cómo manejar los datos opcionales (nulo)

Id Nombre Valor 1 Columna1 Row11 1 Columna2 Row12 2 Columna1 Row21 2 Columna2 Row22 2 Columna3 Row23

--pigscript.pig

data1  = load 'data.txt' using PigStorage() as (id:int, key:chararray, value:chararray); 
grped  = group data1 by id; 
pvt   = foreach grped { 
    col1  = filter data1 by key =='Column1'; 
    col2  =filter data1 by key =='Column2'; 
    col3  =filter data1 by key =='Column3'; 
    generate flatten(group) as id, 
     flatten(col1.value) as col1, 
     flatten(col2.value) as col2, 
     flatten((IsEmpty(col3.value) ? {('NULL')} : col3.value)) as col3; --HANDLE NULL 
}; 
dump pvt; 

Resultados:

(1, Row11, Row12, NULL)

(2, Row21, Row22, Row23)