pysparkDataframe条件(按窗口/延迟)

9udxz4iz 于 2021-05-16 发布在 Spark

关注(0)|答案(1)|浏览(559)

我对spark和sparkDataframe还不熟悉。我有一个sparkDataframe，比如：


# For sake of simplicity only one user (uid) is shown, but there are multiple users

+-------------------+-----+-------+
|start_date         |uid  |count  |
+-------------------+-----+-------+
|2020-11-26 08:30:22|user1|  4    |
|2020-11-26 10:00:00|user1|  3    |
|2020-11-22 08:37:18|user1|  3    |
|2020-11-22 13:32:30|user1|  2    |
|2020-11-20 16:04:04|user1|  2    |
|2020-11-16 12:04:04|user1|  1    |

如果用户在过去至少有count>=x个事件，我想创建一个新的布尔列，其中的值为true/false，并用true标记这些事件。例如，对于x=3，我希望得到：

+-------------------+-----+-------+--------------+
|start_date         |uid  |count  | marked_event |
+-------------------+-----+-------+--------------+
|2020-11-26 08:30:22|user1|  4    |  True        |
|2020-11-26 10:00:00|user1|  3    |  True        |
|2020-11-22 08:37:18|user1|  3    |  True        |
|2020-11-22 13:32:30|user1|  2    |  True        |
|2020-11-20 16:04:04|user1|  2    |  True        |
|2020-11-16 12:04:04|user1|  1    |  False       |

也就是说，对于每个计数>=3，我需要将该事件标记为true，以及前面的3个事件。只有user1的最后一个事件是false，因为我在start\u date=2020-11-22 08:37:18的事件之前（包括）标记了3个事件。
有什么办法吗？我的直觉是以某种方式使用窗口/滞后来实现这一点，但我是新的Spark，不知道如何做到这一点。。。
谢谢！
编辑：
我在@mck的解决方案上使用了一个变体，并修复了一个小错误：原来的解决方案有：

F.max(F.col('begin')).over(w.rowsBetween(0, Window.unboundedFollowing))

条件，不管是否满足“count”的条件，它都会在“begin”之后标记所有事件。相反，我更改了解决方案，以便窗口只标记“begin”之前发生的事件：

event = (f.max(f.col('begin')).over(w.rowsBetween(-2, 0))).\ 
          alias('event_post_only') 

# the number of events to mark is 3 from 'begin',

# including the event itself, so that's -2.

df_marked_events = df_marked_events.select('*', event)

然后为所有在“event\u post\u only”中为true或在“event\u post\u only”中为true的事件标记true

df_marked_events = df_marked_events.withColumn('event', (col('count') >= 3) \
                       | (col('event_post_only')))

这避免了将上游的所有内容都标记为true以“begin”==true

apache-spark pyspark apache-spark-sql pyspark-dataframes rolling-computation

来源：https://stackoverflow.com/questions/65074058/pyspark-dataframe-condition-by-window-lag

1条答案

按热度按时间

b09cbbtk1#

import pyspark.sql.functions as F
from pyspark.sql.window import Window

w = Window.partitionBy('uid').orderBy(F.col('count').desc(), F.col('start_date'))

# find the beginning point of >= 3 events

begin = (
    (F.col('count') >= 3) &
    (F.lead(F.col('count')).over(w) < 3)
).alias('begin')
df = df.select('*', begin)

# Mark as event if the event is in any rows after begin, or two rows before begin

event = (
    F.max(F.col('begin')).over(w.rowsBetween(0, Window.unboundedFollowing)) | 
    F.max(F.col('begin')).over(w.rowsBetween(-2,0))
).alias('event')
df = df.select('*', event)

df.show()
+-------------------+-----+-----+-----+-----+
|         start_date|  uid|count|begin|event|
+-------------------+-----+-----+-----+-----+
|2020-11-26 08:30:22|user1|  4.0|false| true|
|2020-11-22 08:37:18|user1|  3.0|false| true|
|2020-11-26 10:00:00|user1|  3.0| true| true|
|2020-11-20 16:04:04|user1|  2.0|false| true|
|2020-11-22 13:32:30|user1|  2.0|false| true|
|2020-11-16 12:04:04|user1|  1.0|false|false|
+-------------------+-----+-----+-----+-----+

赞(0）回复(0）举报 2021-05-17

我来回答

pysparkDataframe条件(按窗口/延迟)

1条答案

相关问题

热门标签

最新问答