Pyspark 分组和结构化数据

Posted 2023-04-15

【中文标题】Pyspark 分组和结构化数据

【英文标题】：Pyspark grouping and structuring data

【发布时间】：2020-10-08 20:40:35

【问题描述】：

我在 spark 2.4.5 中有以下数据：

data = [
    ('1234', '203957', '2010', 'London', 'CHEM'),
    ('1234', '203957', '2010', 'London', 'BIOL'),
    ('1234', '288400', '2012', 'Berlin', 'MATH'),
    ('1234', '288400', '2012', 'Berlin', 'CHEM'),
]
d = spark.createDataFrame(data, ['auid', 'eid', 'year', 'city', 'subject'])
d.show()

+----+------+----+------+-------+
|auid|   eid|year|  city|subject|
+----+------+----+------+-------+
|1234|203957|2010|London|   CHEM|
|1234|203957|2010|London|   BIOL|
|1234|288400|2012|Berlin|   MATH|
|1234|288400|2012|Berlin|   CHEM|
+----+------+----+------+-------+

我需要从中获取按auid分组的df，并按城市的时间顺序排列，即另一列中的London, Berlin和[[Berlin, 2010], [London, 2012]]，另外我需要按主题的降序频率列排序：[CHEM,2], [BIOL, 1], [MATH, 1]。或者就像[CHEM, BIOL, MATH]。

我试过了：

d.groupBy('auid').agg(func.collect_set(func.struct('city', 'year')).alias('city_set')).show(10, False)

这导致了：

+----+--------------------------------+
|auid|city_set                        |
+----+--------------------------------+
|1234|[[Berlin, 2012], [London, 2010]]|
+----+--------------------------------+

我在这里卡住了，需要帮助。 （不胜感激对city_set 中的值进行排序的提示）

【参考方案1】：

您可以对struct('year', 'city') 进行collect_list 的聚合，对数组进行排序，然后使用transform 函数调整字段的顺序。与主题类似，创建具有两个字段的结构数组：cnt 和 subject，对结构数组进行排序/降序，然后仅检索 subject 字段：

df_new = d.groupBy('auid').agg(
      func.sort_array(func.collect_set(func.struct('year', 'city'))).alias('city_set'),
      func.collect_list('subject').alias('subjects')
    ).withColumn('city_set', func.expr("transform(city_set, x -> (x.city as city, x.year as year))")) \
    .withColumn('subjects', func.expr("""
        sort_array(
          transform(array_distinct(subjects), x -> (size(filter(subjects, y -> y=x)) as cnt, x as subject)),
          False
        ).subject
      """))

df_new.show(truncate=False) 
+----+--------------------------------+------------------+
|auid|city_set                        |subjects          |
+----+--------------------------------+------------------+
|1234|[[London, 2010], [Berlin, 2012]]|[CHEM, MATH, BIOL]|
+----+--------------------------------+------------------+

编辑：有几种方法可以删除city_set数组中重复的城市条目：

使用Window函数将每个城市的year调整为min(year)，然后重复上述过程。

d = d.withColumn('year', func.min('year').over(Window.partitionBy('auid','city')))

使用aggregate 函数从city_set 数组中删除重复项：

df_new = d.groupBy('auid').agg(
    func.sort_array(func.collect_set(func.struct('year', 'city'))).alias('city_set')     
).withColumn("city_set", func.expr("""         
    aggregate(        
      /* expr: take slice of city_set array from the 2nd element to the last */
      slice(city_set,2,size(city_set)-1),           
      /* start: initialize `acc` as an array with a single entry city_set[0].city */
      array(city_set[0].city),
      /* merge: iterate through `expr`, if x.city exists in `acc`, keep as-is
       *        , otherwise add an entry to `acc` using concat function */
      (acc,x) -> IF(array_contains(acc,x.city), acc, concat(acc, array(x.city)))                     
    )                              
"""))

注意：使用 Spark 3.0+ 会更容易：

df_new = d.groupBy('auid').agg(func.expr("array_sort(collect_set((city,year)), (l,r) -> int(l.year-r.year)) as city_set"))

【讨论】：

太好了，谢谢！还不知道，如何得到一个只有城市的列，按时间顺序排序，即[伦敦，柏林]？

@ande ，如果您只需要结构数组中的一个字段，只需跳过转换函数并使用 dot 表示法：d.groupBy('auid').agg(func.sort_array(func.collect_set(func.struct('year', 'city'))).city.alias('city_set'))，另请参阅我们对subjects 专栏。

顺便说一句。一个更健壮的方法是使用.getItem('city') 或['city']，以防字段名称包含特殊字符，如空格、点等。

再次，非常感谢！不过，我确实看到了我的示例数据的一些限制。可能有两个不同的文件附属于伦敦，所以在这种情况下，我看到 [London, London, Berlin]，而我想看到 [London, Berlin]。你认为这可能吗？

@ande，不客气。对于您刚才提到的问题，我认为一个简单的解决方法是使用 Window 函数创建一个临时列（或只是覆盖现有的year 列），例如：d = d.withColumn('year_min', func.min('year').over(Window.partitionBy('auid','city')))，然后使用 year_min 替换代码中的年份。