如何使用窗口而不是 Pyspark groupBy 进行聚合
Posted
技术标签:
【中文标题】如何使用窗口而不是 Pyspark groupBy 进行聚合【英文标题】：How to aggregate using window instead of Pyspark groupBy 【发布时间】：2020-02-24 20:10:46 【问题描述】：我无法使用 window 函数而不是 GroupBy 来聚合每个用户，在我的例子中是 110 和 220 用户名：
每个p_uuid 1 行计数
2- 为每个 p_uuid 创建具有最小和最大时间戳的新列
df = spark.createDataFrame([(1, 110, 'aaa', 'walk', 'work', '2019-09-28 13:40:19-04:00'),
(2, 110, 'aaa', 'walk', 'work', '2019-09-28 13:40:19-04:01'),
(3, 110, 'aaa', 'walk', 'work', '2019-09-28 13:40:19-04:02'),
(4, 110, 'aaa', 'metro', 'work', '2019-09-28 13:41:19-04:00'),
(5, 110, 'aaa', 'metro', 'work', '2019-09-28 13:41:19-04:01'),
(6, 110, 'aaa', 'walk', 'work', '2019-09-28 13:42:19-04:00'),
(7, 110, 'aaa', 'walk', 'work', '2019-09-28 13:42:19-04:01'),
(8, 110, 'bbb', 'bike', 'home', '2019-09-17 14:40:19-04:00'),
(9, 110, 'bbb', 'bus', 'home', '2019-09-17 14:41:19-04:00'),
(10, 110, 'bbb', 'walk', 'home', '2019-09-17 14:43:19-04:00'),
(16, 110, 'ooo', None, None, '2019-08-29 16:01:19-04:00'),
(17, 110, 'ooo', None, None, '2019-08-29 16:02:19-04:00'),
(18, 110, 'ooo', None, None, '2019-08-29 16:02:19-04:00'),
(19, 222, 'www', 'car', 'work', '2019-09-28 08:00:19-04:00'),
(20, 222, 'www', 'metro', 'work', '2019-09-28 08:01:19-04:00'),
(21, 222, 'www', 'walk', 'work', '2019-09-28 08:02:19-04:00'),
(22, 222, 'xxx', 'walk', 'friend', '2019-09-17 08:40:19-04:00'),
(23, 222, 'xxx', 'bike', 'friend', '2019-09-17 08:42:19-04:00'),
(24, 222, 'xxx', 'bus', 'friend', '2019-09-17 08:43:19-04:00'),
(30, 222, 'ooo', None, None, '2019-08-29 10:00:19-04:00'),
(31, 222, 'ooo', None, None, '2019-08-29 10:01:19-04:00'),
(32, 222, 'ooo', None, None, '2019-08-29 10:02:19-04:00')],
['idx', 'u_uuid', 'p_uuid', 'mode', 'place', 'timestamp']
)
df.show(30, False)
我用过
win = Window.partitionBy("u_uuid", "p_uuid").orderBy("timestamp")
df.withColumn("count_", F.count('p_uuid').over(win))
df.withColumn("max_timestamp", F.max("timestamp").over(win))
df.withColumn("min_timestamp", F.min("timestamp").over(win))
它似乎不起作用（例如：获取 max_）
备注：忘记trip_id、subtrip_id 和track_id 列
【问题讨论】：
获取 F.max("timestamp") 不起作用，例如对于 p_uuid='aaa' max_timestamp 列必须有 '2019-09-28 13:42:19-04:01 ' 【参考方案1】：如果我们提供orderBy clause，您需要使用unboundedPreceding,unboundedFollowing和.partitionBy子句，默认值为unboundedPreceding,currentRow。
在您的窗口规范中添加 .rowsBetween 并再次运行。
win = Window.partitionBy("u_uuid", "p_uuid").orderBy("timestamp").rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)
Example:
df.withColumn("max_timestamp", max("timestamp").over(win)).show(10,False)
+---+------+------+-----+------+-------------------------+-------------------------+
|idx|u_uuid|p_uuid|mode |place |timestamp |max_timestamp |
+---+------+------+-----+------+-------------------------+-------------------------+
|8 |110 |bbb |bike |home |2019-09-17 14:40:19-04:00|2019-09-17 14:43:19-04:00|
|9 |110 |bbb |bus |home |2019-09-17 14:41:19-04:00|2019-09-17 14:43:19-04:00|
|10 |110 |bbb |walk |home |2019-09-17 14:43:19-04:00|2019-09-17 14:43:19-04:00|
|16 |110 |ooo |null |null |2019-08-29 16:01:19-04:00|2019-08-29 16:02:19-04:00|
|17 |110 |ooo |null |null |2019-08-29 16:02:19-04:00|2019-08-29 16:02:19-04:00|
|18 |110 |ooo |null |null |2019-08-29 16:02:19-04:00|2019-08-29 16:02:19-04:00|
+---+------+------+-----+------+-------------------------+-------------------------+
【讨论】：
【参考方案2】：您必须使用rowsBetween 将窗口扩展到整个框架：
win = Window.partitionBy("u_uuid", "p_uuid").orderBy("timestamp").rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)
【讨论】：
以上是关于如何使用窗口而不是 Pyspark groupBy 进行聚合的主要内容，如果未能解决你的问题，请参考以下文章
在 pyspark 中，是不是可以使用 1 个 groupBy 进行 2 个聚合？
Pyspark 和错误“TypeError：必须是实数，而不是 Column”，当尝试在窗口上使用定义的函数查找指南针方位时
如何在 Pyspark 中使用 groupby 和数组元素？