Pyspark groupby 然后在组内排序

Posted 2023-03-31

【中文标题】Pyspark groupby 然后在组内排序

【英文标题】：Pyspark groupby then sort within group

【发布时间】：2017-08-16 14:33:27

【问题描述】：

我有一个包含 id、偏移量、文本的表。假设输入：

id offset text
1  1      hello 
1  7      world
2  1      foo

我想要这样的输出：

id text
1  hello world
2  foo

我正在使用：

df.groupby(id).agg(concat_ws("",collect_list(text))

但我不知道如何确保文本中的顺序。我在groupby 数据之前做了sort，但我听说groupby 可能会洗牌数据。有没有办法在groupby 数据之后在组内做sort？

【参考方案1】：

这将创建一个所需的df：

df1 = sqlContext.createDataFrame([("1", "1","hello"), ("1", "7","world"), ("2", "1","foo")], ("id", "offset" ,"text" ))
display(df1)

那么你可以使用下面的代码，可以进一步优化：

@udf
def sort_by_offset(col):
  result =""
  text_list = col.split("-")
  for i in range(len(text_list)):
    text_list[i] = text_list[i].split(" ")
    text_list[i][0]=int(text_list[i][0])
  text_list = sorted(text_list, key=lambda x: x[0], reverse=False)
  for i in range(len(text_list)):
    result = result+ " " +text_list[i][1]
  return result.lstrip()
df2 = df1.withColumn("offset_text",concat(col("offset"),lit(" "),col("text")))
df3 = df2.groupby(col("id")).agg(concat_ws("-",collect_list(col("offset_text"))).alias("offset_text"))
df4 = df3.withColumn("text",sort_by_offset(col("offset_text")))
display(df4)

最终输出：

【参考方案2】：

添加sort_array:

from pyspark.sql.functions import sort_array

df.groupby(id).agg(concat_ws("", sort_array(collect_list(text))))

【讨论】：

这不行，我的排序键是偏移的，而不是字符串本身。