Spark - 使用 groupBy 减少组合数量

Posted 2023-03-23

【中文标题】Spark - 使用 groupBy 减少组合数量

【英文标题】：Spark - Reducing number of combinations using a groupBy

【发布时间】：2016-02-13 15:50:06

【问题描述】：

假设我有一个如下形式的数据集：

data = sc.parallelize([('customer_1', 'contract_1', 15000, 100), 
                       ('customer_1', 'contract_1', 20000, 200),
                       ('customer_2', 'contract_2', 30000, 100), 
                       ('customer_1', 'contract_1', 7500, 500)], 2)

其中：

第一列代表客户 ID。 第二列代表合同 ID。 第三列代表时间戳。 第四列是合同价值。

我需要做的是添加一个额外的列，对于每一行，包含具有相同客户 ID、相同合同 ID 且时间戳等于或大于当前时间戳的所有行的合同价值总和行。

所以，对于之前的数据集，结果应该是：

customer_1 contract_1 15000 300  # 300 = 100+200
customer_1 contract_1 20000 200  # 200
customer_2 contract_2 30000 100  # 100
customer_1 contract_1  7500 800  # 800 = 100+200+500

如果不存在时间戳检查，则可以设置由客户 ID 和合同 ID 组成的密钥，通过密钥减少，然后加入，但鉴于存在时间戳比较，我找不到简单的方法这样做。

我完成这项工作的第一种方法是以这种方式使用笛卡尔运算：

combinations = data.cartesian(data)
               .filter(lambda a: a[0][0] == a[1][0] and  
                                 a[0][1] == a[1][1] and 
                                 a[1][2] >= a[0][2])
agg = combinations.map(lambda a: (a[0], a[1][3])).reduceByKey(lambda x,y: x+y)

结果还可以，但恐怕将笛卡尔应用于我正在管理的数据量（超过 100 万行）效率很低。事实上，在这里应用笛卡尔运算会产生许多根本没有意义的组合（根据定义，组合不同客户或合同的行是没有意义的），这些组合随后会被过滤器删除。

对我来说，理想的情况是使用客户 ID 和合同 ID 作为键执行 groupBy，然后遍历生成的 groupBy，并对每一行应用笛卡尔积。这将大大减少生成的组合数量。但是，我没有找到任何方法来做到这一点。更何况，这可能吗？如果是这样，如何？对于如何实现我的要求，您还有其他建议/想法吗？

感谢您的帮助！

【参考方案1】：

这是一个要求窗口函数的问题：

import sys
from pyspark.sql.window import Window
from pyspark.sql.functions import sum

df = data.toDF(["customer_id", "contract_id", "timestamp", "value"])
w = (Window()
    .partitionBy("customer_id", "contract_id")
    .orderBy("timestamp")
    # Current row and future values
    .rangeBetween(0, sys.maxsize)) # or .rowsBetween(0, sys.maxsize)

result = df.withColumn("future_value", sum("value").over(w))
result.show()

## +-----------+-----------+---------+-----+------------+
## |customer_id|contract_id|timestamp|value|future_value|
## +-----------+-----------+---------+-----+------------+
## | customer_1| contract_1|     7500|  500|         800|
## | customer_1| contract_1|    15000|  100|         300|
## | customer_1| contract_1|    20000|  200|         200|
## | customer_2| contract_2|    30000|  100|         100|
## +-----------+-----------+---------+-----+------------+

【讨论】：

非常感谢 zero323。我刚开始使用 Spark 并且不了解 Window 函数。谢谢你提供的详情。出于好奇，再问一个问题：如果我有一个 timestamp_start 和 timestamp_end 字段，并且我总结的条件是 current_row_timestamp_start >= timestamp_start 和 current_row_timestamp_end

没有。您可以提供覆盖行或值的静态范围，但它不能依赖于当前行。从理论上讲，您可以在滞后/领先的情况下向后和向前看，并尝试从中构建一些东西，但它不太可能是漂亮或高效的。