pyspark数据帧上的复杂逻辑,包括前一行现有值以及动态生成的前一行值
我必须在spark dataframe或rdd(最好是dataframe)上应用逻辑,这需要生成两个额外的列。第一个生成的列依赖于同一行的其他列,第二个生成的列依赖于前一行的第一个生成列 以下是问题陈述的表格形式。A和B列在dataframe中可用。将生成C和D列pyspark数据帧上的复杂逻辑,包括前一行现有值以及动态生成的前一行值,pyspark,Pyspark,我必须在spark dataframe或rdd(最好是dataframe)上应用逻辑,这需要生成两个额外的列。第一个生成的列依赖于同一行的其他列,第二个生成的列依赖于前一行的第一个生成列 以下是问题陈述的表格形式。A和B列在dataframe中可用。将生成C和D列 A | B | C | D ------------------------------------ 1 | 100 | default val | C1-B1 2 | 200 | D
A | B | C | D
------------------------------------
1 | 100 | default val | C1-B1
2 | 200 | D1-C1 | C2-B2
3 | 300 | D2-C2 | C3-B3
4 | 400 | D3-C3 | C4-B4
5 | 500 | D4-C4 | C5-B5
下面是示例数据
A | B | C | D
------------------------
1 | 100 | 1000 | 900
2 | 200 | -100 | -300
3 | 300 | -200 | -500
4 | 400 | -300 | -700
5 | 500 | -400 | -900
我能想到的唯一解决方案是将输入数据帧合并为1,将其转换为rdd,然后将python函数(具有所有计算逻辑)应用于mapPartitions API。
然而,这种方法可能会在一个执行器上产生负载。从数学上看,D1-C1,其中D1=C1-B1;因此D1-C1将变成C1-B1-C1=>-B1。 在pyspark中,window函数有一个名为default的参数。这将简化您的问题。试试这个:
import pyspark.sql.functions as F
from pyspark.sql import Window
df = spark.createDataFrame([(1,100),(2,200),(3,300),(4,400),(5,500)],['a','b'])
w=Window.orderBy('a')
df_lag =df.withColumn('c',F.lag((F.col('b')*-1),default=1000).over(w))
df_final = df_lag.withColumn('d',F.col('c')-F.col('b'))
结果:
df_final.show()
+---+---+----+----+
| a| b| c| d|
+---+---+----+----+
| 1|100|1000| 900|
| 2|200|-100|-300|
| 3|300|-200|-500|
| 4|400|-300|-700|
| 5|500|-400|-900|
+---+---+----+----+
如果操作不是减法,而是复杂的操作,那么同样的逻辑也适用-用默认值填充C列-计算D,然后使用lag计算C并重新计算D。lag()函数可能会帮助您:
导入pyspark.sql.F函数
从pyspark.sql.window导入窗口
w=Window.orderBy(“A”)
df1=df1。带柱(“C”,F.lit(1000))
df2=(
df1
.带“D”列,F.col(“C”)-F.col(“B”))
.withColumn(“C”,
F.when(F.lag(“C”).over(w).isNotNull()时,
F.滞后(“D”).超过(w)-F.滞后(“C”).超过(w))
.否则(F.col(“C”))
.带“D”列,F.col(“C”)-F.col(“B”))
)
在该解决方案中,在计算D时,所有行的C值都固定为1000。然而,在问题陈述中,第2行的C列依赖于第1行的D列。另外,在您的解决方案的最后三行中缺少一个(w)。感谢您提供缺少代码的提示。解释为什么我为所有行设置了1000,它是在第一行中设置的默认值,之后使用后续值再次计算C列。无论如何,如果您想使用列的前一个值计算某些内容,lag()函数可能会有所帮助。此代码生成的D列数据为900800700600500,但D列的预期输出为900,-300,-500,-700,-900,这是因为上述代码在进行D列计算时考虑了所有行的默认值C。还有一个小的代码变化在第4行从顶部。您需要再次将输出数据帧分配给df1。在跟随另一个答案中@Raghu的注释之后,我们需要在计算C列之后再次计算D列。这样我们将得到所需的答案。问题陈述中显示的计算用于表示目的。实际计算不是简单的减法。我想要一个解决方案,它可以实现上表中D所示的上一个生成列的依赖关系。@PratekPathak-您也可以将相同的逻辑应用于任何计算。在C列中填入您的默认值——计算d,然后使用lag计算C并重新计算它的有效值。我对你的意见投了赞成票,这是解决办法的要点。我已经接受了泰利斯苏托提供的代码,并根据评论对其进行了修改。@PrateekPathak-很高兴听到这个消息。我看不到对评论的投票。如果答案有帮助,你能投票并接受答案,以便将来对其他人有用吗?(无义务)我也会更新答案以包含评论。