当窗口/分区使用前向填充时，向 pyspark sql 中的 last() 函数添加条件

Posted 2023-03-31

【中文标题】当窗口/分区使用前向填充时，向 pyspark sql 中的 last() 函数添加条件

【英文标题】：Add condition to last() function in pyspark sql when used by window/partition with forward filling

【发布时间】：2020-04-27 18:17:24

【问题描述】：

我得到的代码来自这个链接： https://johnpaton.net/posts/forward-fill-spark/ 它有一些我想要完成的任务的背景。

from pyspark.sql import Window
from pyspark.sql.functions import last

# define the window
window = Window.partitionBy('location')\
               .orderBy('time')\
               .rowsBetween(-sys.maxsize, 0)

# define the forward-filled column
filled_column = last(spark_df['temperature'], ignorenulls=True).over(window)

# do the fill
spark_df_filled = spark_df.withColumn('temp_filled_spark', filled_column)

基本上，last() 函数用于查找最后一个非空值的状态。如果所有值都为 null，则返回 null。

但是，如果该组中的所有列都为空，我想分配一个默认值。我尝试了不同的方法，但无法弄清楚。

因此，基本上，如果某个位置的温度全部为空，我希望有一种方法可以将其设置为默认值。

Some examples:
I want to fill them with default values for the case below:

location  temp                temp
1         null                0
1         null      =====>    0
1         null                0

I do not want to fill them with default values for the case below:

location  temp                 temp
1         null                 null
1          50      ======>      50
1          60                   60

【问题讨论】：

您能否展示一些具有预期输出的示例数据？

@Vamsi Prabhala：刚刚添加了一个链接。谢谢！

如果所有值都为 Null，您要使用哪个默认值？

@CPak，可能是0。这只是一个例子，实际上，我正在重新调用链接中的代码来完成类似的任务。例如，如果某个位置的所有温度值为空，我希望该位置的所有温度都设置为 0 而不是 null

【参考方案1】：

也许您可以定义另一个列，以用作给定位置的任何记录是否包含非空值的指示符。例如：

window_2 = Window.partitionBy('location').rowsBetween(-sys.maxsize, sys.maxsize)
max_column = max(spark_df['temperature']).over(window_2)

然后，将该列与您的filled_column 一起使用，以有条件地填写最终结果：

temp_filled_spark = when(max_column.isNull(),0).otherwise(filled_column)
spark_df_filled = spark_df.withColumn('temp_filled_spark', temp_filled_spark)

可能不是很优雅或超级性能，但应该可以工作。

【讨论】：

感谢您提供建议。但是，这不是我的情况的用例。当所有温度值都为空时，我只想用默认值填充一个组。如果某些温度缺少初始状态但稍后具有有效温度，我不想填充这些初始状态。

我最初不知何故忽略了这个要求......现在更新了我的答案。