idea中在spark中写RFM模型的R值Recency代码示例

以下是使用Spark在RFM模型中计算R值（Recency）的代码示例：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

// 读取数据
val df = spark.read.format("csv").option("header", "true").load("path/to/data.csv")

// 计算最近交易日期
val recency = df.groupBy("CustomerID").agg(max("InvoiceDate").as("last_purchase_date"))
  .withColumn("recency", datediff(current_date(), col("last_purchase_date")))
  .select("CustomerID", "recency")

// 计算每个用户的平均R值
val avgRecency = recency.agg(avg("recency")).first().getDouble(0)

// 标准化R值
val recencyNormalized = recency.withColumn("recency_normalized", (avgRecency - col("recency")) / avgRecency)

// 输出结果
recencyNormalized.show()

这段代码假设数据已经被加载到一个DataFrame中，并且包括列"CustomerID"和"InvoiceDate"。代码首先使用"groupBy"和"max"函数获取每个客户的最近交易日期，然后使用"datediff"函数计算R值（Recency）。接下来，代码计算所有客户的平均R值，并使用该值对每个客户的R值进行标准化。最后，代码输出标准化后的R值。