apache-spark - 在Spark 2.4上的pyspark.sql.functions.max()。over(window)上使用.where()会抛出Java异常

我在StackOverflow上关注了有关返回由另一列分组的列的最大值的帖子，并得到了意外的Java异常。

这是测试数据：

import pyspark.sql.functions as f
data = [('a', 5), ('a', 8), ('a', 7), ('b', 1), ('b', 3)]
df = spark.createDataFrame(data, ["A", "B"])
df.show()

+---+---+
|  A|  B|
+---+---+
|  a|  5|
|  a|  8|
|  a|  7|
|  b|  1|
|  b|  3|
+---+---+

以下是据称适用于其他用户的解决方案：

from pyspark.sql import Window
w = Window.partitionBy('A')
df.withColumn('maxB', f.max('B').over(w))\
    .where(f.col('B') == f.col('maxB'))\
    .drop('maxB').show()

应该产生以下输出：

#+---+---+
#|  A|  B|
#+---+---+
#|  a|  8|
#|  b|  3|
#+---+---+

相反，我得到：

java.lang.UnsupportedOperationException: Cannot evaluate expression: max(input[2, bigint, false]) windowspecdefinition(input[0, string, true], specifiedwindowframe(RowFrame, unboundedpreceding$(), unboundedfollowing$()))

我只在Databricks的Spark 2.4上尝试过此操作。我尝试了等效的SQL语法，并得到了相同的错误。

最佳答案

Databricks支持能够在Spark 2.4上重现该问题，但在较早的版本中却没有。显然，这是由于制定物理计划的方式不同（如果需要，我可以发布其答复）。已计划修复。

同时，这是对原始问题的一种替代解决方案，它不属于2.4版问题：

df.withColumn("maxB", f.max('B').over(w)).drop('B').distinct().show()

+---+----+
|  A|maxB|
+---+----+
|  b|   3|
|  a|   8|
+---+----+