如何在 PySpark 中用该列的第一个非空值填充该列的空值

Posted 2023-04-15

【中文标题】如何在 PySpark 中用该列的第一个非空值填充该列的空值

【英文标题】：How to fill out the null values of a column with the first non null value of that column in PySpark

【发布时间】：2021-03-16 12:04:48

【问题描述】：

我正在尝试使用同一列的第一个非空值填充数据框列的空值。

我要填写的数据框是这样的，我希望 'id_book' 列的所有行都具有相同的编号

我尝试了以下方法，但它仍然显示空值

w = Window.partitionBy('id_book').orderBy('id_book', 'date').rowsBetween(0,sys.maxsize)
filled_column = first(spark_df['id_book'], ignorenulls=True).over(w)
spark_df_filled = union_dias.withColumn('id_book_filled_spark', filled_column)

【参考方案1】：

窗口应该是

w = Window.orderBy('date').rowsBetween(0, Window.unboundedFollowing)
filled_column = first(spark_df['id_book'], ignorenulls=True).over(w)
spark_df_filled = spark_df.withColumn('id_book_filled_spark', filled_column)

因为您不想按id_book 进行分区。也没有必要通过id_book 订购，因为只有日期的顺序很重要。

另外我认为更好的做法是使用Window.unboundedFollowing 而不是sys.maxsize。