在pyspark中检索每组DataFrame中的前n个

Posted 2023-02-23

【中文标题】在pyspark中检索每组DataFrame中的前n个

【英文标题】：Retrieve top n in each group of a DataFrame in pyspark

【发布时间】：2016-11-18 18:19:27

【问题描述】：

pyspark中有一个DataFrame，数据如下：

user_id object_id score
user_1  object_1  3
user_1  object_1  1
user_1  object_2  2
user_2  object_1  5
user_2  object_2  2
user_2  object_2  6

我期望的是在每个组中返回 2 条具有相同 user_id 的记录，这些记录需要获得最高分。因此，结果应如下所示：

user_id object_id score
user_1  object_1  3
user_1  object_2  2
user_2  object_2  6
user_2  object_1  5

我真的是 pyspark 的新手，谁能给我一个代码 sn-p 或门户到这个问题的相关文档？非常感谢！

【参考方案1】：

我认为您需要使用window functions 来获得基于user_id 和score 的每一行的排名，然后过滤您的结果以仅保留前两个值。

from pyspark.sql.window import Window
from pyspark.sql.functions import rank, col

window = Window.partitionBy(df['user_id']).orderBy(df['score'].desc())

df.select('*', rank().over(window).alias('rank')) 
  .filter(col('rank') <= 2) 
  .show() 
#+-------+---------+-----+----+
#|user_id|object_id|score|rank|
#+-------+---------+-----+----+
#| user_1| object_1|    3|   1|
#| user_1| object_2|    2|   2|
#| user_2| object_2|    6|   1|
#| user_2| object_1|    5|   2|
#+-------+---------+-----+----+

总的来说，官方programming guide是开始学习Spark的好地方。

数据

rdd = sc.parallelize([("user_1",  "object_1",  3), 
                      ("user_1",  "object_2",  2), 
                      ("user_2",  "object_1",  5), 
                      ("user_2",  "object_2",  2), 
                      ("user_2",  "object_2",  6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])

【讨论】：

我认为有些地方需要调整。 object_id 对groupby 或top 过程都没有影响。而我想要的是group byuser_id，并在每个组中分别检索得分最高的前两个记录，而不仅仅是第一条记录。非常感谢！

可以在过滤器中使用窗口函数：df.filter(rank().over(window) <= 2)

我大吃一惊...我确信我之前在过滤器中使用了窗口函数。但我确实无法重现它（在 2 和 1.6 中都没有）。我确实以一种异国情调的方式使用它，但我不记得何时或如何使用它。对不起。

您可能需要考虑使用row_number 而不是rank，以防获得相同的排名并且您仍然想要前n

@TomerBenDavid 此评论值得更多支持，谢谢先生。

【参考方案2】：

如果在获得排名相等时使用row_number 而不是rank，则Top-n 更准确：

val n = 5
df.select(col('*'), row_number().over(window).alias('row_number')) \
  .where(col('row_number') <= n) \
  .limit(20) \
  .toPandas()

注意 limit(20).toPandas() 技巧而不是 show() 用于 Jupyter 笔记本以获得更好的格式。

【讨论】：

记得添加 from pyspark.sql.functions import row_number 以使其正常工作

什么会更有效（快速）计算？我怀疑是差不多的。这会是一种更有效的方法吗？我正在处理一个 110 GB 的数据集，其中包含 470 万个类别（到 groupBy），每个类别大约有 4,300 行，并且它永远在一个大型集群上。

这里是描述difference between rank, row_number, and dense_rank的最佳链接

【参考方案3】：

我知道这个问题是针对pyspark 提出的，我在Scala 中寻找类似的答案，即

在 Scala 中检索每组 DataFrame 中的前 n 个值

这是@mtoto 答案的scala 版本。

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions.rank
import org.apache.spark.sql.functions.col

val window = Window.partitionBy("user_id").orderBy('score desc)
val rankByScore = rank().over(window)
df1.select('*, rankByScore as 'rank).filter(col("rank") <= 2).show() 
# you can change the value 2 to any number you want. Here 2 represents the top 2 values

更多示例可以在here 找到。

【参考方案4】：

这是另一种没有窗口函数的解决方案，用于从 pySpark DataFrame 中获取前 N 条记录。

# Import Libraries
from pyspark.sql.functions import col

# Sample Data
rdd = sc.parallelize([("user_1",  "object_1",  3), 
                      ("user_1",  "object_2",  2), 
                      ("user_2",  "object_1",  5), 
                      ("user_2",  "object_2",  2), 
                      ("user_2",  "object_2",  6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])

# Get top n records as Row Objects
row_list = df.orderBy(col("score").desc()).head(5)

# Convert row objects to DF
sorted_df = spark.createDataFrame(row_list)

# Display DataFrame
sorted_df.show()

输出

+-------+---------+-----+
|user_id|object_id|score|
+-------+---------+-----+
| user_1| object_2|    2|
| user_2| object_2|    2|
| user_1| object_1|    3|
| user_2| object_1|    5|
| user_2| object_2|    6|
+-------+---------+-----+

如果您对 Spark 中更多的窗口函数感兴趣，可以参考我的一篇博客：https://medium.com/expedia-group-tech/deep-dive-into-apache-spark-window-functions-7b4e39ad3c86

【参考方案5】：

使用 Python 3 和 Spark 2.4

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

def get_topN(df, group_by_columns, order_by_column, n=1):
    window_group_by_columns = Window.partitionBy(group_by_columns)
    ordered_df = df.select(df.columns + [
        f.row_number().over(window_group_by_columns.orderBy(order_by_column.desc())).alias('row_rank')])
    topN_df = ordered_df.filter(f"row_rank <= n").drop("row_rank")
    return topN_df

top_n_df = get_topN(your_dataframe, [group_by_columns],[order_by_columns], 1) 

【参考方案6】：

使用ROW_NUMBER() 函数在 PYSPARK SQLquery 中查找第 N 个最大值：

SELECT * FROM (
    SELECT e.*, 
    ROW_NUMBER() OVER (ORDER BY col_name DESC) rn 
    FROM Employee e
)
WHERE rn = N

N 是列中要求的第 n 个最大值

输出：

[Stage 2:>               (0 + 1) / 1]++++++++++++++++
+-----------+
|col_name   |
+-----------+
|1183395    |
+-----------+

查询将返回N个最大值