Python 获取PySpark中窗口上与某些条件匹配的第一行

举个例子，假设我们有一个如下的用户操作流：

从pyspark.sql导入*
spark=SparkSession.builder.appName（'test'）.master（'local[8]）.getOrCreate（）
df=spark.sparkContext.parallelize([
行（用户=1，操作=1，时间=1），
行（用户=1，操作=1，时间=2），
行（用户=2，操作=1，时间=3），
行（用户=1，操作=2，时间=4），
行（用户=2，操作=2，时间=5），
行（用户=2，操作=2，时间=6），
行（用户=1，操作=1，时间=7），
行（用户=2，操作=1，时间=8），
]).toDF（）
df.show（）

数据帧看起来像：

+----+------+----+
|user|action|time|
+----+------+----+
|   1|     1|   1|
|   1|     1|   2|
|   2|     1|   3|
|   1|     2|   4|
|   2|     2|   5|
|   2|     2|   6|
|   1|     1|   7|
|   2|     1|   8|
+----+------+----+

然后，我想在每一行中添加一列

next\u alt\u time

，给出用户在以下行中更改动作类型的时间。对于上述输入，输出应为：

+----+------+----+-------------+
|user|action|time|next_alt_time|
+----+------+----+-------------+
|   1|     1|   1|            4|
|   1|     1|   2|            4|
|   2|     1|   3|            5|
|   1|     2|   4|            7|
|   2|     2|   5|            8|
|   2|     2|   6|            8|
|   1|     1|   7|         null|
|   2|     1|   8|         null|
+----+------+----+-------------+

我知道我可以创建如下窗口：

wnd = Window().partitionBy('user').orderBy('time').rowsBetween(1, Window.unboundedFollowing)

---

但是我不知道如何在窗口上施加条件，并在上面定义的窗口上选择与当前行具有不同操作的第一行。

下面介绍如何执行。Spark无法保持数据帧的顺序，但如果您逐个检查行，则可以确认它给出了预期的答案：

from pyspark.sql import Row
from pyspark.sql.window import Window
import pyspark.sql.functions as F

df = spark.sparkContext.parallelize([
    Row(user=1, action=1, time=1),
    Row(user=1, action=1, time=2),
    Row(user=2, action=1, time=3),
    Row(user=1, action=2, time=4),
    Row(user=2, action=2, time=5),
    Row(user=2, action=2, time=6),
    Row(user=1, action=1, time=7),
    Row(user=2, action=1, time=8),
]).toDF()

win = Window().partitionBy('user').orderBy('time')

df = df.withColumn('new_action', F.lag('action').over(win) != F.col('action'))
df = df.withColumn('new_action_time', F.when(F.col('new_action'), F.col('time')))
df = df.withColumn('next_alt_time', F.first('new_action', ignorenulls=True).over(win.rowsBetween(1, Window.unboundedFollowing)))

df.show()

+----+------+----+----------+---------------+-------------+
|user|action|time|new_action|new_action_time|next_alt_time|
+----+------+----+----------+---------------+-------------+
|   1|     1|   1|      null|           null|            4|
|   1|     1|   2|     false|           null|            4|
|   1|     2|   4|      true|              4|            7|
|   1|     1|   7|      true|              7|         null|
|   2|     1|   3|      null|           null|            5|
|   2|     2|   5|      true|              5|            8|
|   2|     2|   6|     false|           null|            8|
|   2|     1|   8|      true|              8|         null|
+----+------+----+----------+---------------+-------------+

---

预计产量？？非常感谢。重新排序的数据帧实际上使计算更加清晰。我没有想到使用滞后，但现在我发现使用它来检测变化是很自然的。