PySpark DataFrame：找到最接近的值并对 DataFrame 进行切片

Posted 2023-03-31

【中文标题】PySpark DataFrame：找到最接近的值并对 DataFrame 进行切片

【英文标题】：PySpark DataFrame: Find closest value and slice the DataFrame

【发布时间】：2019-03-27 18:01:16

【问题描述】：

所以，我已经进行了足够的研究，但还没有找到可以解决我想做的事情的帖子。

我有一个 PySpark DataFrame my_df，它是 sorted by value column-

+----+-----+                                                                    
|name|value|
+----+-----+
|   A|   30|
|   B|   25|
|   C|   20|
|   D|   18|
|   E|   18|
|   F|   15|
|   G|   10|
+----+-----+

value 列中所有计数的总和等于136。我想获取combined values >= x% of 136 的所有行。在此示例中，假设为 x=80。然后target sum = 0.8*136 = 108.8。因此，新的 DataFrame 将包含所有具有combined value >= 108.8 的行。

在我们的示例中，这将归结为 D 行（因为组合值高达 D = 30+25+20+18 = 93）。

但是，困难的部分是我还想包含紧随其后的具有重复值的行。在这种情况下，我还想包含行 E，因为它与行 D 具有相同的值，即 18。

我想通过给出一个百分比x 变量来分割my_df，例如如上所述的80。新的 DataFrame 应包含以下行-

+----+-----+                                                                    
|name|value|
+----+-----+
|   A|   30|
|   B|   25|
|   C|   20|
|   D|   18|
|   E|   18|
+----+-----+

我可以在这里做的一件事是遍历 DataFrame (which is ~360k rows)，但我想这违背了 Spark 的目的。

这里有我想要的简洁功能吗？

【问题讨论】：

添加了更好的描述

你能把你使用的代码分享给sortDataFrame吗？它是基于value 的吗？还是value 和name？

按value排序

【参考方案1】：

使用 pyspark SQL 函数简洁地做到这一点。

result = my_df.filter(my_df.value > target).select(my_df.name,my_df.value)
result.show()

编辑：基于 OP 的问题编辑 - 计算运行总和并获取行，直到达到目标值。请注意，这将导致最多 D 行，而不是 E..这似乎是一个奇怪的要求。

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

# Total sum of all `values`
target = (my_df.agg(sum("value")).collect())[0][0]

w = Window.orderBy(my_df.name) #Ideally this should be a column that specifies ordering among rows
running_sum_df = my_df.withColumn('rsum',f.sum(my_df.value).over(w))
running_sum_df.filter(running_sum_df.rsum <= 0.8*target)

【讨论】：

很抱歉我忘了说我还需要做一些其他的操作，请查看更新

在回答完问题后完全更改问题是不公平的。

我明白了。谢谢你的回答。我仍然需要找出一个解决重复值的解决方案。

【参考方案2】：

您的要求非常严格，因此很难为您的问题制定有效的解决方案。不过，这里有一种方法：

首先计算value 列的累积和和总和，并使用您指定的目标条件百分比过滤DataFrame。我们称这个结果为df_filtered：

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

w = Window.orderBy(f.col("value").desc(), "name").rangeBetween(Window.unboundedPreceding, 0)
target = 0.8

df_filtered = df.withColumn("cum_sum", f.sum("value").over(w))\
    .withColumn("total_sum", f.sum("value").over(Window.partitionBy()))\
    .where(f.col("cum_sum") <= f.col("total_sum")*target)

df_filtered.show()
#+----+-----+-------+---------+
#|name|value|cum_sum|total_sum|
#+----+-----+-------+---------+
#|   A|   30|     30|      136|
#|   B|   25|     55|      136|
#|   C|   20|     75|      136|
#|   D|   18|     93|      136|
#+----+-----+-------+---------+

然后在value 列的原始数据上加入这个过滤的DataFrame。由于您的 DataFrame 已经按 value 排序，因此最终输出将包含您想要的行。

df.alias("r")\
    .join(
    df_filtered.alias('l'),
    on="value"
).select("r.name", "r.value").sort(f.col("value").desc(), "name").show()
#+----+-----+
#|name|value|
#+----+-----+
#|   A|   30|
#|   B|   25|
#|   C|   20|
#|   D|   18|
#|   E|   18|
#+----+-----+

---

total_sum 和 cum_sum 列是 calculated using a Window function。

窗口w 按降序排列value 列，然后是name 列。 name 列用于打破关系 - 如果没有它，C 和 D 两行的 111 = 75+18+18 的累积总和将相同，并且您会在过滤器中错误地丢失它们。

w = Window\                                     # Define Window
    .orderBy(                                   # This will define ordering
        f.col("value").desc(),                  # First sort by value descending
        "name"                                  # Sort on name second
    )\
    .rangeBetween(Window.unboundedPreceding, 0) # Extend back to beginning of window

rangeBetween(Window.unboundedPreceding, 0) 指定窗口应包括当前行之前的所有行（由orderBy 定义）。这就是使它成为累积总和的原因。

【讨论】：

没错，但问题的表述方式意味着需要包含所有具有 18 行的行。 （除非我遗漏了什么）

following 表示排序顺序。由于 DataFrame 是按值排序的，因此具有相同值的行将始终紧随其后。更高的值都不会出现在 DataFrame 的其他地方。

@VamsiPrabhala 紧随其后，我并不是说只有 1 行 - 它可以是具有相同值的多行。既然是按value排序的，那么它们肯定是相邻的。

@kev 我添加了对 Window 的解释，其中包含一个帖子的链接，该帖子显示了如何在 pyspark 中进行累积和。 DataFrame 是 not 有序的 - DataFrame 本质上是无序的，除非您明确指定排序。

@kev 不认为 Spark DataFrames 有任何顺序。即使它看起来排序，也不能保证它在引擎盖下是这样的。 Spark 将数据分布在多台机器上，这允许对它们进行并行操作。由于每个执行者不必担心顺序，它可以独立地处理自己的部分数据。当您需要订单时，您必须指定 如何 进行排序，然后 Spark 将根据需要在 executor 之间打乱数据。所以声明 df is already sorted by value 是假的。