Pyspark 如何循环数据帧并向每行添加数组
我需要循环pyspark数据帧,并在活动月数中爆炸每一行。当我试图将数据放入配置单元时,我主要关心的是内存管理,以及在此过程中所消耗的时间 我用collect和Pyspark 如何循环数据帧并向每行添加数组,pyspark,pyspark-dataframes,Pyspark,Pyspark Dataframes,我需要循环pyspark数据帧,并在活动月数中爆炸每一行。当我试图将数据放入配置单元时,我主要关心的是内存管理,以及在此过程中所消耗的时间 我用collect和“idx”,F.单调地增加id() 但这破坏了我代码的性能 输入 输出 EmpId effective_Month 1234 Jan-12 1234 Feb-12 1234 .... 1234 Oct-12 2345 Jan-12 2345 Feb-12 2345 .... 2345 Dec-12 通常,我建议尝试使用u
“idx”,F.单调地增加id()
但这破坏了我代码的性能
输入
输出
EmpId effective_Month
1234 Jan-12
1234 Feb-12
1234 ....
1234 Oct-12
2345 Jan-12
2345 Feb-12
2345 ....
2345 Dec-12
通常,我建议尝试使用udf。我曾经遇到过类似的问题,但我认为解决方案仍然太复杂 相反,你可以改变你对这个问题的看法。当您知道所有
empid
的min(date\u active)
和max(date\u end)
时,您可以遍历所有月份,例如'yyyy-mm-01'
,并将其保存为数据帧。
现在,您(广播-)将生成的数据帧与表中的每一行连接起来。最后,您只需要一个简单的过滤器,如:在生效日期和结束日期之间的一个月内生效。
最后,您应该将effective\u month
转换为您喜欢的字符串格式
如果广播表很小,那么广播连接非常快,因此运行时在这里应该不是问题。您可以在数据帧API中解决此问题,如下所示
创建示例数据帧
df = spark.createDataFrame([["123","2012-01-01","2012-10-01"],['234', '2012-01-01', '2012-05-01'],["345","2012-01-01","2012-11-01"]], ("age","date_active", "date_end"))
+---+-----------+----------+
|age|date_active| date_end|
+---+-----------+----------+
|123| 2012-01-01|2012-10-01|
|234| 2012-01-01|2012-05-01|
|345| 2012-01-01|2012-11-01|
+---+-----------+----------+
将数据类型从字符串更改为时间戳
df = df.withColumn('date_active', df['date_active'].cast('timestamp'))\
.withColumn('date_end', df['date_end'].cast('timestamp'))
使用下面的代码添加月份列
from pyspark.sql import functions as f
df.withColumn('month_diff', f.months_between('date_end', 'date_active')).withColumn("repeat", f.expr("split(repeat(',', month_diff), ',')"))\
.select("*", f.posexplode("repeat").alias("date", "val")).withColumn("date", f.expr("add_months(date_active, date)"))\
.withColumn('month', f.date_format('date','MMM')).select(['age', 'date_active', 'date_end', 'month']).show()
---+-----------+----------+-----+
|age|date_active| date_end|month|
+---+-----------+----------+-----+
|123| 2012-01-01|2012-10-01| Jan|
|123| 2012-01-01|2012-10-01| Feb|
|123| 2012-01-01|2012-10-01| Mar|
|123| 2012-01-01|2012-10-01| Apr|
|123| 2012-01-01|2012-10-01| May|
|123| 2012-01-01|2012-10-01| Jun|
|123| 2012-01-01|2012-10-01| Jul|
|123| 2012-01-01|2012-10-01| Aug|
|123| 2012-01-01|2012-10-01| Sep|
|123| 2012-01-01|2012-10-01| Oct|
|234| 2012-01-01|2012-05-01| Jan|
|234| 2012-01-01|2012-05-01| Feb|
|234| 2012-01-01|2012-05-01| Mar|
|234| 2012-01-01|2012-05-01| Apr|
|234| 2012-01-01|2012-05-01| May|
|345| 2012-01-01|2012-11-01| Jan|
|345| 2012-01-01|2012-11-01| Feb|
|345| 2012-01-01|2012-11-01| Mar|
|345| 2012-01-01|2012-11-01| Apr|
|345| 2012-01-01|2012-11-01| May|
+---+-----------+----------+-----+
从pyspark.sql.types导入熊猫作为pd在dfMT.collect()中为f导入*hive_context=HiveContext(sc):d=[]MemberId=f.MemberId mth=f.months#c=int(mth,0)sd=f.FromDate ed=f.ToDate lst=[dt.strTime(“%2.2d-%2.2d%”(y,m),“%y-%m”)。strftime(“%b-%y”)在范围内(sd.year,ed.year+1)对于范围内的m(如果y==sd.year else 1,ed.month+1如果y==ed.year else 13),对于范围内的n(mth):d.append({“MemberId”:MemberId,“MonthName”:lst[n]})df=pd.DataFrame(d)spark\u df=hive\u context.createDataFrame(df)spark\u df.write.mode('append')。format('hive')。saveAsTable('test123'))可能重复的是date\u active
和date\u end
始终保证在同一年?也可能重复替换为column('month',f.date\u format('date','MMM'))和withColumn('month',f.date\u format('date','MMM-YY')。感谢Ravi的第一手代码运行得很好,并且成功了。谢谢你的建议。
from pyspark.sql import functions as f
df.withColumn('month_diff', f.months_between('date_end', 'date_active')).withColumn("repeat", f.expr("split(repeat(',', month_diff), ',')"))\
.select("*", f.posexplode("repeat").alias("date", "val")).withColumn("date", f.expr("add_months(date_active, date)"))\
.withColumn('month', f.date_format('date','MMM')).select(['age', 'date_active', 'date_end', 'month']).show()
---+-----------+----------+-----+
|age|date_active| date_end|month|
+---+-----------+----------+-----+
|123| 2012-01-01|2012-10-01| Jan|
|123| 2012-01-01|2012-10-01| Feb|
|123| 2012-01-01|2012-10-01| Mar|
|123| 2012-01-01|2012-10-01| Apr|
|123| 2012-01-01|2012-10-01| May|
|123| 2012-01-01|2012-10-01| Jun|
|123| 2012-01-01|2012-10-01| Jul|
|123| 2012-01-01|2012-10-01| Aug|
|123| 2012-01-01|2012-10-01| Sep|
|123| 2012-01-01|2012-10-01| Oct|
|234| 2012-01-01|2012-05-01| Jan|
|234| 2012-01-01|2012-05-01| Feb|
|234| 2012-01-01|2012-05-01| Mar|
|234| 2012-01-01|2012-05-01| Apr|
|234| 2012-01-01|2012-05-01| May|
|345| 2012-01-01|2012-11-01| Jan|
|345| 2012-01-01|2012-11-01| Feb|
|345| 2012-01-01|2012-11-01| Mar|
|345| 2012-01-01|2012-11-01| Apr|
|345| 2012-01-01|2012-11-01| May|
+---+-----------+----------+-----+