PySpark - 将多行客户“压缩”成一行，删除空白
Posted
技术标签:
【中文标题】PySpark - 将多行客户“压缩”成一行，删除空白【英文标题】：PySpark - "compressing" multiple-row customers into one row, deleting blanks 【发布时间】：2018-07-11 11:40:36 【问题描述】：所以我目前有一个如下所示的数据框：
+-------------+----------------+---------------+------------------+-----------------+
| customer_id | init_base_date | init_end_date | reinit_base_date | reinit_end_date |
+-------------+----------------+---------------+------------------+-----------------+
| ... | | | | |
| A | 2015-07-30 | | | |
| A | | 2016-07-24 | | |
| B | 2015-07-10 | | | |
| B | | 2015-10-05 | | |
| B | | | 2016-01-09 | |
| B | | | | 2016-07-04 |
| C | 2015-05-13 | | | |
| C | | 2015-08-09 | | |
| ... | | | | |
+-------------+----------------+---------------+------------------+-----------------+
我真的需要把它转换成表格：
+-------------+----------------+---------------+------------------+-----------------+
| customer_id | init_base_date | init_end_date | reinit_base_date | reinit_end_date |
+-------------+----------------+---------------+------------------+-----------------+
| ... | | | | |
| A | 2015-07-30 | 2016-07-24 | | |
| B | 2015-07-10 | 2015-10-05 | 2016-01-09 | 2016-07-04 |
| C | 2015-05-13 | 2015-08-09 | | |
| ... | | | | |
+-------------+----------------+---------------+------------------+-----------------+
我可以想到几种非常乏味的方法来完成上述操作，但我想知道是否有一种快速有效的方法（也许使用 windows？我现在才使用 PySpark 一个月，所以绝对还是一个新手）。
【问题讨论】：
请阅读How to make good reproducible Apache Spark Dataframe examples和edit你的问题。 【参考方案1】：如果您显示的那些空单元格实际上是nulls（而不是空字符串），您可以使用pyspark.sql.functions.first() 作为groupBy 中的聚合函数。关键是将first()的ignorenulls参数设置为True（默认为False）。
import pyspark.sql.functions as f
cols = [c for c in df.columns if c != 'customer_id']
df.groupBy('customer_id').agg(*[f.first(c, True).alias(c) for c in cols]).show()
#+-----------+--------------+-------------+----------------+---------------+
#|customer_id|init_base_date|init_end_date|reinit_base_date|reinit_end_date|
#+-----------+--------------+-------------+----------------+---------------+
#| A| 2015-07-30| 2016-07-24| null| null|
#| B| 2015-07-10| 2015-10-05| 2016-01-09| 2016-07-04|
#| C| 2015-05-13| 2015-08-09| null| null|
#+-----------+--------------+-------------+----------------+---------------+
如果这些空白值实际上是空字符串，您可以先replace all empty strings with null 并按照上面的方法。然后，您可以（可选）将 null 值替换为空格。
from functools import reduce # for python3
cols = [c for c in df.columns if c != 'customer_id']
df = reduce(lambda df, c: df.withColumn(c, f.when(f.col(c) != '', f.col(c))), cols, df)
df = df.groupBy('customer_id').agg(*[f.first(c, True).alias(c) for c in cols])
df.na.fill('').show() # fill nulls with blanks
#+-----------+--------------+-------------+----------------+---------------+
#|customer_id|init_base_date|init_end_date|reinit_base_date|reinit_end_date|
#+-----------+--------------+-------------+----------------+---------------+
#| A| 2015-07-30| 2016-07-24| | |
#| B| 2015-07-10| 2015-10-05| 2016-01-09| 2016-07-04|
#| C| 2015-05-13| 2015-08-09| | |
#+-----------+--------------+-------------+----------------+---------------+
【讨论】：
以上是关于PySpark - 将多行客户“压缩”成一行，删除空白的主要内容，如果未能解决你的问题，请参考以下文章