Pyspark - 从具有最小值和最大值范围的数组中获取值

Posted 2023-04-15

【中文标题】Pyspark - 从具有最小值和最大值范围的数组中获取值

【英文标题】：Pyspark - getting values from an array that has a range of min and max values

【发布时间】：2019-05-15 13:21:40

【问题描述】：

我正在尝试在 PySpark 中编写一个查询，该查询将从数组中获取正确的值。

例如，我有一个名为 df 的数据框，其中包含三列“companyId”、“companySize”和“weightingRange”。 “companySize”列只是员工人数。 “weightingRange”列是一个数组，其中包含以下内容

[ "minimum":0, "maximum":100, "weight":123,
  "minimum":101, "maximum":200, "weight":456,
  "minimum":201, "maximum":500, "weight":789
]

所以数据框看起来像这样（weightingRange 同上，为了更清晰的格式，在下面的示例中将其截断）

+-----------+-------------+------------------------+--+
| companyId | companySize |     weightingRange     |  |
+-----------+-------------+------------------------+--+
| ABC1      |         150 | ["maximum":100, etc] |  |
| ABC2      |          50 | ["maximum":100, etc] |  |
+-----------+-------------+------------------------+--+

因此，对于公司规模 = 150 的条目，我需要将权重 456 返回到名为“companyWeighting”的列中

所以它应该显示以下内容

+-----------+-------------+------------------------+------------------+
| companyId | companySize |     weightingRange     | companyWeighting |
+-----------+-------------+------------------------+------------------+
| ABC1      |         150 | ["maximum":100, etc] |              456 |
| ABC2      |          50 | ["maximum":100, etc] |              123 |
+-----------+-------------+------------------------+------------------+

我看过

df.withColumn("tmp",explode(col("weightingRange"))).select("tmp.*")

然后加入但尝试应用这将笛卡尔数据。

建议赞赏！

【问题讨论】：

你能展示一个数据样本吗？该数组是否在每一行中重复？

@mayankagrawal 按要求添加样本。数组对每一行重复。

【参考方案1】：

你可以这样接近，

首先创建一个示例数据框，

import pyspark.sql.functions as F

df = spark.createDataFrame([
        ('ABC1', 150, [ "min":0, "max":100, "weight":123,
                        "min":101, "max":200, "weight":456,
                        "min":201, "max":500, "weight":789]),
        ('ABC2', 50, [  "min":0, "max":100, "weight":123,
                        "min":101, "max":200, "weight":456,
                        "min":201, "max":500, "weight":789])],  

        ['companyId' , 'companySize', 'weightingRange'])

然后，创建一个udf 函数并将其应用于每一行以获取新列，

def get_weight(wt,wt_rnge):
    for _d in wt_rnge:
        if _d['min'] <= wt <= _d['max']:
            return _d['weight']

get_weight_udf = F.udf(lambda x,y: get_weight(x,y))
df = df.withColumn('companyWeighting', get_weight_udf(F.col('companySize'), F.col('weightingRange')))
df.show()

你得到的输出是，

+---------+-----------+--------------------+----------------+
|companyId|companySize|      weightingRange|companyWeighting|
+---------+-----------+--------------------+----------------+
|     ABC1|        150|[Map(weight -> 12...|             456|
|     ABC2|         50|[Map(weight -> 12...|             123|
+---------+-----------+--------------------+----------------+