Dataframe 带条件的Pypark累积和
我有一个包含3列的pyspark数据帧: ID,每个ID出现多次; 日期; 延迟,如果此账单按时支付,则为0,否则为1 已经按ID和日期订购了。 我需要创建一个名为Continuous的列,该列显示连续支付的账单数量,每个ID的延迟=1 数据示例和预期结果:Dataframe 带条件的Pypark累积和,dataframe,pyspark,apache-spark-sql,cumulative-sum,Dataframe,Pyspark,Apache Spark Sql,Cumulative Sum,我有一个包含3列的pyspark数据帧: ID,每个ID出现多次; 日期; 延迟,如果此账单按时支付,则为0,否则为1 已经按ID和日期订购了。 我需要创建一个名为Continuous的列,该列显示连续支付的账单数量,每个ID的延迟=1 数据示例和预期结果: ID | DATE | DELAY | CONSECUTIVE 101 | 1 | 1 | 1 101 | 2 | 1 | 2 101 | 3 | 1 | 3 10
ID | DATE | DELAY | CONSECUTIVE
101 | 1 | 1 | 1
101 | 2 | 1 | 2
101 | 3 | 1 | 3
101 | 4 | 0 | 0
101 | 5 | 1 | 1
101 | 6 | 1 | 2
213 | 1 | 1 | 1
213 | 2 | 1 | 2
有没有一种不用熊猫的方法?如果是这样的话,我该怎么做呢?您可以在window的帮助下通过3个转换来实现这一点
from pyspark.sql.window import Window
from pyspark.sql import functions as F
df = sqlContext.createDataFrame([
(101, 1, 1),
(101, 2, 1), # dasd
(101, 3, 0),
(101, 4, 1)
], ["id", 'date', 'delay'])
window = Window.partitionBy('id').orderBy('date')
last_value = F.last('rank').over(window.rowsBetween(-2, -1))
consecutive = F.when( F.col('delay')==0, 0) \
.otherwise( F.when(F.col('last_rank').isNull(), 1) \
.otherwise( F.col('last_rank')+1))
df \
.withColumn('rank', F.row_number().over(window)) \
.withColumn('rank', F.when(F.col('delay')!=0, F.col('rank')).otherwise(0)) \
.withColumn('last_rank', last_value) \
.withColumn('consecutive', consecutive).show()
结果:
+---+----+-----+----+---------+-----------+
| id|date|delay|rank|last_rank|consecutive|
+---+----+-----+----+---------+-----------+
|101| 1| 1| 1| null| 1|
|101| 1| 1| 2| 1| 2|
|101| 1| 0| 0| 2| 0|
|101| 1| 1| 4| 0| 1|
+---+----+-----+----+---------+-----------+
可能的重复请参见重复目标-您正在查找类似
df.withColumn('continued',F.sum('DELAY')。over(Window.partitionBy('ID'))。orderBy('DATE')。rangeBetween(Window.unboundedPreceding,0))