GROUP BY 与 PySpark SQL 中的重叠行

Posted 2023-04-15

【中文标题】GROUP BY 与 PySpark SQL 中的重叠行

【英文标题】：GROUP BY with overlapping rows in PySpark SQL

【发布时间】：2020-11-21 02:13:36

【问题描述】：

下表是使用 Parquet / PySpark 创建的，目标是聚合 1 < count < 5 所在的行和 2 < count < 6 所在的行。请注意count 为 4.1 的行在这两个范围内。

+-----+-----+
|count|value|
+-----+-----+
|  1.1|    1|
|  1.2|    2|
|  4.1|    3|
|  5.5|    4|
|  5.6|    5|
|  5.7|    6|
+-----+-----+

这是创建上表并将其作为 PySpark DataFrame 读取的代码。

import pandas as pd
import pyarrow.parquet as pq
import pyarrow as pa
from pyspark import SparkContext, SQLContext


# create Parquet DataFrame
pdf = pd.DataFrame(
    'count': [1.1, 1.2, 4.1, 5.5, 5.6, 5.7],
    'value': [1, 2, 3, 4, 5, 6])
table = pa.Table.from_pandas(pdf)
pq.write_to_dataset(table, r'c:/data/data.parquet')

# read Parquet DataFrame and create view
sc = SparkContext()
sql = SQLContext(sc)
df = sql.read.parquet(r'c:/data/data.parquet')
df.createTempView('data')

该操作可以使用两个单独的查询。

q1 = sql.sql("""
    SELECT AVG(value) AS va
    FROM data
    WHERE count > 1
    AND count < 5
    """)
+---+
| va|
+---+
|2.0|
+---+

同样

q2 = sql.sql("""
    SELECT AVG(value) as va
    FROM data
    WHERE count > 2
    AND count < 6
    """)
+---+
| va|
+---+
|4.5|
+---+

但是我想在一个有效的查询中做到这一点。 这是一种行不通的方法，因为count 为 4.1 的行仅包含在一个组中。

qc = sql.sql("""
    SELECT AVG(value) AS va,
    (CASE WHEN count > 1 AND count < 5 THEN 1
    WHEN count > 2 AND count < 6 THEN 2
    ELSE 0 END) AS id
    FROM data
    GROUP BY id
    """)

上面的查询产生

+---+---+
| va| id|
+---+---+
|2.0|  1|
|5.0|  2|
+---+---+

需要明确的是，想要的结果更像是

+---+---+
| va| id|
+---+---+
|2.0|  1|
|4.5|  2|
+---+---+

【参考方案1】：

最简单的方法大概是union all：

SELECT 1, AVG(value) AS va
FROM data
WHERE count > 1 AND count < 5
UNION ALL
SELECT 2, AVG(value) as va
FROM data
WHERE count > 2 AND count < 6;

你也可以这样表述：

select r.id, avg(d.value)
from data d join
     (select 1 as lo, 5 as hi, 1 as id union all
      select 2 as lo, 6 as hi, 2 as id 
     ) r
     on d.count > r.lo and d.count < r.hi
group by r.id;