pyspark：如何从dataframe中的特定列值开始

tf7tbtn2 于 2021-05-27 发布在 Spark

关注(0)|答案(1)|浏览(470)

Dataframe已按日期排序，
col1==1值是唯一的，
只有0有重复项。
我有一个数据框，看起来像这样叫它df

+--------+----+----+
    date |col1|col2|
+--------+----+----+
2020-08-01| 5|  -1|
2020-08-02| 4|  -1|
2020-08-03| 3|   3|
2020-08-04| 2|   2|
2020-08-05| 1|   4|
2020-08-06| 0|   1|
2020-08-07| 0|   2|
2020-08-08| 0|   3|
2020-08-09| 0|  -1|
+--------+----+----+

条件是当col1==1时，我们从col2==4开始向后加（例如4,5,6,7,8，…），后面的col2==4一直返回0（例如4,0,0,0…）
所以，我的头发看起来像这样。

+--------+----+----+----+
        date |col1|col2|want
    +--------+----+----+----+
    2020-08-01| 5|  -1|  8 |
    2020-08-02| 4|  -1|  7 |
    2020-08-03| 3|   3|  6 |
    2020-08-04| 2|   2|  5 |
    2020-08-05| 1|   4|  4 |
    2020-08-06| 0|   1|  0 |
    2020-08-07| 0|   2|  0 |
    2020-08-08| 0|   3|  0 |
    2020-08-09| 0|  -1|  0 |
   +---------+----+----+----+

增强：我想添加一个附加条件，当col1==1行时col2==-1，并且-1是连续的，然后我想计算连续的-1，然后用下一个col2==？价值观。下面是一个例子。

+--------+----+----+----+
        date |col1|col2|want
    +--------+----+----+----+
    2020-08-01| 5|  -1|  11|
    2020-08-02| 4|  -1|  10|
    2020-08-03| 3|   3|  9 |
    2020-08-04| 2|   2|  8 |
    2020-08-05| 1|  -1|  7 |
    2020-08-06| 0|  -1|  0 |
    2020-08-07| 0|  -1|  0 |
    2020-08-08| 0|   4|  0 |
    2020-08-09| 0|  -1|  0 |
   +---------+----+----+----+

所以，我们看到3个连续的-1，（我们只关心第一个连续的-1），在连续的4之后，我们将在col1==1行得到4+3=7。有可能吗？

python apache-spark pyspark apache-spark-sql

来源：https://stackoverflow.com/questions/63270732/pyspark-how-to-lead-from-specific-column-value-in-dataframe

1条答案

按热度按时间

3zwjbxry1#

以下是我的尝试：

from pyspark.sql.functions import sum, when, col, rank, desc
from pyspark.sql import Window

w1 = Window.orderBy(desc('date'))
w2 = Window.partitionBy('case').orderBy(desc('date'))

df.withColumn('case', sum(when(col('col1') == 1, col('col2')).otherwise(0)).over(w1)) \
  .withColumn('rank', when(col('case') != 0, rank().over(w2) - 1).otherwise(0)) \
  .withColumn('want', col('case') + col('rank')) \
  .orderBy('date') \
  .show(10, False)

+----------+----+----+----+----+----+
|date      |col1|col2|case|rank|want|
+----------+----+----+----+----+----+
|2020-08-01|5   |-1  |4   |4   |8   |
|2020-08-02|4   |-1  |4   |3   |7   |
|2020-08-03|3   |3   |4   |2   |6   |
|2020-08-04|2   |2   |4   |1   |5   |
|2020-08-05|1   |4   |4   |0   |4   |
|2020-08-06|0   |1   |0   |0   |0   |
|2020-08-07|0   |2   |0   |0   |0   |
|2020-08-08|0   |3   |0   |0   |0   |
|2020-08-09|0   |-1  |0   |0   |0   |
+----------+----+----+----+----+----+

赞(0）回复(0）举报 2021-05-27

我来回答

pyspark：如何从dataframe中的特定列值开始

1条答案

相关问题

热门标签

最新问答