Pyspark：在列和索引上排名（）？

Posted 2023-03-31

【中文标题】Pyspark：在列和索引上排名（）？

【英文标题】：Pyspark: Rank() over column and index?

【发布时间】：2020-12-25 17:29:00

【问题描述】：

我在使用窗口功能时遇到了一些问题。我真的找不到任何可以涵盖顺序很重要的场景的示例。我想要做的是对 ColumnA 进行排名，考虑到 SortOrder（以及它们的第一次出现）。所以所有的 B 都会得到值 1、A 2 和 C 3。我可以用 rank 函数来实现它吗？我不能简单地按这两列排序。

example = example.withColumn("rank", F.rank().over(Window.orderBy('ColumnA')))

这个也行不通，因为订单会丢失。

from pyspark.sql.types import StructType, StructField, StringType, IntegerType
import pyspark.sql.functions as F
from pyspark.sql.window import Window

data = [("B", "BA", 1),
        ("B", "BB", 2),
        ("B", "BC", 3),
        ("A", "AA", 4),
        ("A", "AB", 5),
        ("C", "CA", 6),
        ("A", "AC", 7)]

cols = ['ColumnA', 'ColumnB', 'SortOrder']

schema = StructType([StructField('ColumnA', StringType(), True),
                     StructField('ColumnB', StringType(), True),
                     StructField('SortOrder', IntegerType(), True)])

rdd = sc.parallelize(data)
example = spark.createDataFrame(rdd, schema)

?
example = example.withColumn("rank", F.rank().over(Window.orderBy('SortOrder', 'ColumnA')))

【参考方案1】：

获取每个 ColumnA 值的最小 SortOrder，然后获取排名，并将其连接回原始数据帧。

example2 = example.join(
    example.groupBy('ColumnA')
           .min('SortOrder')
           .select('ColumnA',
                   F.rank().over(Window.orderBy('min(SortOrder)')).alias('rank')
                  ),
    on = 'ColumnA'
).orderBy('SortOrder')

example2.show()
+-------+-------+---------+----+
|ColumnA|ColumnB|SortOrder|rank|
+-------+-------+---------+----+
|      B|     BA|        1|   1|
|      B|     BB|        2|   1|
|      B|     BC|        3|   1|
|      A|     AA|        4|   2|
|      A|     AB|        5|   2|
|      C|     CA|        6|   3|
|      A|     AC|        7|   2|
+-------+-------+---------+----+