在pyspark中按时间差将行拆分为多个会话
Posted
技术标签:
【中文标题】在pyspark中按时间差将行拆分为多个会话【英文标题】:split row into multiple sessions by time difference in pyspark 【发布时间】:2016-12-01 12:27:24 【问题描述】:这是伪数据:
user ts
--------
1 1
1 3
1 10
1 13
1 21
1 24
如果每个用户的相邻时间差> = 6,它将分为两个会话。因此,上述数据应按如下方式拆分:
user ts diff
-------------------
1 1 None
1 3 2
-------------------
1 10 7
1 13 3
-------------------
1 21 8
1 24 3
我了解如何通过下图所示的 Window 函数在 pyspark
中生成差异列,但是如何以 pyspark
的方式将其拆分为每个用户的不同会话?非常感谢!
select
user,
ts,
(lag(ts, 1) over (partition by user order by ts asc)) as diff
from user_event
【问题讨论】:
【参考方案1】:你有一个正确的开始。 SQL 将继续为:
select user, ts, diff,
sum(case when diff > 6 then 1 else 0 end) over (partition by user order by ts) as session_grouping
from (select user, ts,
lag(ts, 1) over (partition by user order by ts asc) as diff
from user_event
) ue;
【讨论】:
行得通!在您上面的示例代码之后,我想这次我更彻底地理解了over (partition by)
。非常感谢!以上是关于在pyspark中按时间差将行拆分为多个会话的主要内容,如果未能解决你的问题,请参考以下文章