将列表中的缺失元素作为每个时间窗口组的行插入到 DataFrame

Posted 2023-04-15

【中文标题】将列表中的缺失元素作为每个时间窗口组的行插入到 DataFrame

【英文标题】：Insert missing elements in list as Rows per Time-Window group to DataFrame

【发布时间】：2019-06-06 19:56:05

【问题描述】：

试图以编程方式解决这个问题......似乎是一个难题......基本上，如果传感器项目没有在时间序列时间戳间隔源数据中捕获，那么想要为每个丢失的传感器项目附加一行，并带有每个时间戳窗口的 NULL 值

# list of sensor items [have 300 plus; only showing 4 as example]
list = ["temp", "pressure", "vacuum", "burner"]

# sample data
df = spark.createDataFrame([('2019-05-10 7:30:05', 'temp', '99'),\
                            ('2019-05-10 7:30:05', 'burner', 'TRUE'),\
                            ('2019-05-10 7:30:10', 'vacuum', '.15'),\
                            ('2019-05-10 7:30:10', 'burner', 'FALSE'),\
                            ('2019-05-10 7:30:10', 'temp', '75'),\
                            ('2019-05-10 7:30:15', 'temp', '77'),\
                            ('2019-05-10 7:30:20', 'pressure', '.22'),\
                            ('2019-05-10 7:30:20', 'temp', '101'),], ["date", "item", "value"])

# current dilemma => all sensor items are not being captured / only updates to sensors are being captured in current back-end design streaming devices
+------------------+--------+-----+
|              date|    item|value|
+------------------+--------+-----+
|2019-05-10 7:30:05|    temp|   99|
|2019-05-10 7:30:05|  burner| TRUE|

|2019-05-10 7:30:10|  vacuum|  .15|
|2019-05-10 7:30:10|  burner|FALSE|
|2019-05-10 7:30:10|    temp|   75|

|2019-05-10 7:30:15|    temp|   77|

|2019-05-10 7:30:20|pressure|  .22|
|2019-05-10 7:30:20|    temp|  101|
+------------------+--------+-----+

想要捕获每个时间戳的每个传感器项目，以便可以在旋转数据帧之前执行前向填充插补 [300 多列上的前向填充导致 scala 错误 =>

Spark Caused by: java.lang.***Error Window Function?

# desired output
+------------------+--------+-----+
|              date|    item|value|
+------------------+--------+-----+
|2019-05-10 7:30:05|    temp|   99|
|2019-05-10 7:30:05|  burner| TRUE|
|2019-05-10 7:30:05|  vacuum| NULL|
|2019-05-10 7:30:05|pressure| NULL|

|2019-05-10 7:30:10|  vacuum|  .15|
|2019-05-10 7:30:10|  burner|FALSE|
|2019-05-10 7:30:10|    temp|   75|
|2019-05-10 7:30:10|pressure| NULL|

|2019-05-10 7:30:15|    temp|   77|
|2019-05-10 7:30:15|pressure| NULL|
|2019-05-10 7:30:15|  burner| NULL|
|2019-05-10 7:30:15|  vacuum| NULL|

|2019-05-10 7:30:20|pressure|  .22|
|2019-05-10 7:30:20|    temp|  101|
|2019-05-10 7:30:20|  vacuum| NULL|
|2019-05-10 7:30:20|  burner| NULL|
+------------------+--------+-----+

【问题讨论】：

这是一个想法（不确定效率如何）。使用所有项目的不同日期和数据框的 crossJoin 创建一个临时数据框：df.select('date').distinct().crossJoin(broadcast(spark.createDataFrame([('temp',), ('burner',), ('vacuum',), ('pressure',)], ["item"])))。现在将您的原始数据框正确连接到这个临时数据框

【参考方案1】：

扩展至my comment：

您可以将 DataFrame 与不同日期的笛卡尔积和sensor_list 正确连接。由于sensor_list很小，你可以broadcast它。

from pyspark.sql.functions import broadcast

sensor_list = ["temp", "pressure", "vacuum", "burner"]

df.join(
    df.select('date')\
        .distinct()\
        .crossJoin(broadcast(spark.createDataFrame([(x,) for x in sensor_list], ["item"]))),
    on=["date", "item"],
    how="right"
).sort("date", "item").show()
#+------------------+--------+-----+
#|              date|    item|value|
#+------------------+--------+-----+
#|2019-05-10 7:30:05|  burner| TRUE|
#|2019-05-10 7:30:05|pressure| null|
#|2019-05-10 7:30:05|    temp|   99|
#|2019-05-10 7:30:05|  vacuum| null|
#|2019-05-10 7:30:10|  burner|FALSE|
#|2019-05-10 7:30:10|pressure| null|
#|2019-05-10 7:30:10|    temp|   75|
#|2019-05-10 7:30:10|  vacuum|  .15|
#|2019-05-10 7:30:15|  burner| null|
#|2019-05-10 7:30:15|pressure| null|
#|2019-05-10 7:30:15|    temp|   77|
#|2019-05-10 7:30:15|  vacuum| null|
#|2019-05-10 7:30:20|  burner| null|
#|2019-05-10 7:30:20|pressure|  .22|
#|2019-05-10 7:30:20|    temp|  101|
#|2019-05-10 7:30:20|  vacuum| null|
#+------------------+--------+-----+

【讨论】：

这很有意义！非常感谢！我会在大数据集上试一试，让你知道它是怎么回事。

这种连接方法运行良好......因为它是广播的，所以没有发生随机播放，所以性能看起来是可行的。谢谢！

我说得太早了...性能还可以，但是explain plan 显示nestedBroadcastLoopJoin 我听说过关于...的恐怖故事...有什么见解吗？