具有复杂条件的 Spark SQL 窗口函数

Posted 2023-03-31

【中文标题】具有复杂条件的 Spark SQL 窗口函数

【英文标题】：Spark SQL window function with complex condition

【发布时间】：2017-02-24 21:25:10

【问题描述】：

这可能最容易通过示例来解释。假设我有一个用户登录网站的 DataFrame，例如：

scala> df.show(5)
+----------------+----------+
|       user_name|login_date|
+----------------+----------+
|SirChillingtonIV|2012-01-04|
|Booooooo99900098|2012-01-04|
|Booooooo99900098|2012-01-06|
|  OprahWinfreyJr|2012-01-10|
|SirChillingtonIV|2012-01-11|
+----------------+----------+
only showing top 5 rows

我想在此添加一列，指示他们何时成为网站上的活跃用户。但是有一个警告：在一段时间内用户被认为是活跃的，在这段时间之后，如果他们再次登录，他们的became_active 日期会重置。假设这段时间是 5 天。那么从上表导出的所需表将是这样的：

+----------------+----------+-------------+
|       user_name|login_date|became_active|
+----------------+----------+-------------+
|SirChillingtonIV|2012-01-04|   2012-01-04|
|Booooooo99900098|2012-01-04|   2012-01-04|
|Booooooo99900098|2012-01-06|   2012-01-04|
|  OprahWinfreyJr|2012-01-10|   2012-01-10|
|SirChillingtonIV|2012-01-11|   2012-01-11|
+----------------+----------+-------------+

因此，特别是，SirChillingtonIV 的 became_active 日期被重置，因为他们的第二次登录是在活跃期到期后进行的，但是 Booooooo99900098 的 became_active 日期在他/她第二次登录时没有重置，因为它属于活跃期时期。

我最初的想法是使用带有lag 的窗口函数，然后使用lagged 值填充became_active 列；例如，开始大致如下：

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._

val window = Window.partitionBy("user_name").orderBy("login_date")
val df2 = df.withColumn("tmp", lag("login_date", 1).over(window))

那么，填写became_active 日期的规则是，如果tmp 是null（即，如果它是第一次登录）或者如果login_date - tmp >= 5 那么became_active = login_date；否则，转到tmp 中的下一个最新值并应用相同的规则。这表明了一种递归方法，我无法想象一种实现方法。

我的问题：这是一种可行的方法吗？如果是，我怎样才能“返回”并查看 tmp 的早期值，直到找到一个我停下来的地方？据我所知，我无法遍历 Spark SQL Column 的值。有没有其他方法可以达到这个结果？

【参考方案1】：

火花 >= 3.2

最近的 Spark 版本为批处理和结构化流式查询中的会话窗口提供原生支持（请参阅 SPARK-10816 及其子任务，尤其是 SPARK-34893）。

官方文档提供了不错的usage example。

火花

这是诀窍。导入一堆函数：

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions.coalesce, datediff, lag, lit, min, sum

定义窗口：

val userWindow = Window.partitionBy("user_name").orderBy("login_date")
val userSessionWindow = Window.partitionBy("user_name", "session")

找到新会话的开始点：

val newSession =  (coalesce(
  datediff($"login_date", lag($"login_date", 1).over(userWindow)),
  lit(0)
) > 5).cast("bigint")

val sessionized = df.withColumn("session", sum(newSession).over(userWindow))

查找每个会话的最早日期：

val result = sessionized
  .withColumn("became_active", min($"login_date").over(userSessionWindow))
  .drop("session")

数据集定义为：

val df = Seq(
  ("SirChillingtonIV", "2012-01-04"), ("Booooooo99900098", "2012-01-04"),
  ("Booooooo99900098", "2012-01-06"), ("OprahWinfreyJr", "2012-01-10"), 
  ("SirChillingtonIV", "2012-01-11"), ("SirChillingtonIV", "2012-01-14"),
  ("SirChillingtonIV", "2012-08-11")
).toDF("user_name", "login_date")

结果是：

+----------------+----------+-------------+
|       user_name|login_date|became_active|
+----------------+----------+-------------+
|  OprahWinfreyJr|2012-01-10|   2012-01-10|
|SirChillingtonIV|2012-01-04|   2012-01-04| <- The first session for user
|SirChillingtonIV|2012-01-11|   2012-01-11| <- The second session for user
|SirChillingtonIV|2012-01-14|   2012-01-11| 
|SirChillingtonIV|2012-08-11|   2012-08-11| <- The third session for user
|Booooooo99900098|2012-01-04|   2012-01-04|
|Booooooo99900098|2012-01-06|   2012-01-04|
+----------------+----------+-------------+

【讨论】：

我知道已经很久了，但你能帮我理解解决方案的合并部分吗？？

@SanchitGrover 如果datediff($"login_date", lag($"login_date", 1).over(userWindow)) 的计算结果为null（帧中的第一行），则为 0。

那么这个val sessionized = df.withColumn("session", sum(newSession).over(userWindow))是怎么增加计数的呢？

集合 0, 1 中值的累积和。

【参考方案2】：

重构 the other answer 以使用 Pyspark

在Pyspark 你可以像下面这样。

create data frame

df = sqlContext.createDataFrame(
[
("SirChillingtonIV", "2012-01-04"), 
("Booooooo99900098", "2012-01-04"), 
("Booooooo99900098", "2012-01-06"), 
("OprahWinfreyJr", "2012-01-10"), 
("SirChillingtonIV", "2012-01-11"), 
("SirChillingtonIV", "2012-01-14"), 
("SirChillingtonIV", "2012-08-11")
], 
("user_name", "login_date"))

上面的代码创建了一个如下所示的数据框

+----------------+----------+
|       user_name|login_date|
+----------------+----------+
|SirChillingtonIV|2012-01-04|
|Booooooo99900098|2012-01-04|
|Booooooo99900098|2012-01-06|
|  OprahWinfreyJr|2012-01-10|
|SirChillingtonIV|2012-01-11|
|SirChillingtonIV|2012-01-14|
|SirChillingtonIV|2012-08-11|
+----------------+----------+

现在我们要先找出login_date 之间的差异大于5 天数。

为此，请执行以下操作。

必要的进口

from pyspark.sql import functions as f
from pyspark.sql import Window


# defining window partitions  
login_window = Window.partitionBy("user_name").orderBy("login_date")
session_window = Window.partitionBy("user_name", "session")

session_df = df.withColumn("session", f.sum((f.coalesce(f.datediff("login_date", f.lag("login_date", 1).over(login_window)), f.lit(0)) > 5).cast("int")).over(login_window))

当我们运行上述代码行时，如果date_diff 是NULL，那么coalesce 函数会将NULL 替换为0。

+----------------+----------+-------+
|       user_name|login_date|session|
+----------------+----------+-------+
|  OprahWinfreyJr|2012-01-10|      0|
|SirChillingtonIV|2012-01-04|      0|
|SirChillingtonIV|2012-01-11|      1|
|SirChillingtonIV|2012-01-14|      1|
|SirChillingtonIV|2012-08-11|      2|
|Booooooo99900098|2012-01-04|      0|
|Booooooo99900098|2012-01-06|      0|
+----------------+----------+-------+


# add became_active column by finding the `min login_date` for each window partitionBy `user_name` and `session` created in above step
final_df = session_df.withColumn("became_active", f.min("login_date").over(session_window)).drop("session")

+----------------+----------+-------------+
|       user_name|login_date|became_active|
+----------------+----------+-------------+
|  OprahWinfreyJr|2012-01-10|   2012-01-10|
|SirChillingtonIV|2012-01-04|   2012-01-04|
|SirChillingtonIV|2012-01-11|   2012-01-11|
|SirChillingtonIV|2012-01-14|   2012-01-11|
|SirChillingtonIV|2012-08-11|   2012-08-11|
|Booooooo99900098|2012-01-04|   2012-01-04|
|Booooooo99900098|2012-01-06|   2012-01-04|
+----------------+----------+-------------+