Python PySpark-将单个整数列表与列表列进行比较

我试图检查spark数据框（包含列表的列）中的哪些条目包含给定列表中数量最大的值

我想到的最佳方法是使用

rdd.foreach（）

迭代数据帧，并使用python的

set1.intersection（set2）

将给定列表与每个条目进行比较

我的问题是spark是否有任何内置功能，因此可以避免使用

进行迭代

谢谢你的帮助

另外，我的数据框如下所示：

+-------------+---------------------+                                           
|   cardnumber|collect_list(article)|
+-------------+---------------------+
|2310000000855| [12480, 49627, 80...|
|2310000008455| [35531, 22564, 15...|
|2310000011462| [117112, 156087, ...|
+-------------+---------------------+

df_long = spark.createDataFrame([
    (1, 3),(1, 4), (1, 8), (2, 7), (2, 7), (2, 6)
], ("id", "articles"))

我试图在第二列中找到与给定文章列表最相交的条目，例如
[151574、87239、117908、162475、48599]
您可以在dataframe中尝试相同的集合操作，而不是使用rdd。foreach：

from pyspark.sql.functions import udf, li, col
my_udf=udf(lambda A,B: list(set(A).intersection(set(B))))
df=df.withColumn('intersect_value', my_udf('A', 'B'))

您可以使用len函数获取UDF本身中的intersect list的大小，并从该数据帧执行所需的操作。
这里唯一的替代方法是
UDF
，但它不会有太大区别

from pyspark.sql.functions import udf, li, col

def intersect(xs):
    xs = set(xs)
    @udf("array<long>")
    def _(ys):
        return list(xs.intersection(ys))
    return _

根据名称，您似乎使用了
collect\u list
，因此您的数据可能如下所示：

+-------------+---------------------+                                           
|   cardnumber|collect_list(article)|
+-------------+---------------------+
|2310000000855| [12480, 49627, 80...|
|2310000008455| [35531, 22564, 15...|
|2310000011462| [117112, 156087, ...|
+-------------+---------------------+

df_long = spark.createDataFrame([
    (1, 3),(1, 4), (1, 8), (2, 7), (2, 7), (2, 6)
], ("id", "articles"))

在这种情况下，问题更简单。加入

lookup = spark.createDataFrame(a_list, "long").toDF("articles")

joined = lookup.join(df_long, ["articles"])

并汇总结果：

joined.groupBy("id").count().show()
# +---+-----+                                                                     
# | id|count|
# +---+-----+
# |  1|    1|
# |  2|    1|
# +---+-----+


joined.groupBy("id").agg(collect_list("articles")).show()
# +---+----------------------+                                                    
# | id|collect_list(articles)|
# +---+----------------------+
# |  1|                   [4]|
# |  2|                   [6]|
# +---+----------------------+

我得到了错误：NameError:name'udf'未定义您是否使用了此导入->从pyspark.sql.functions导入udf，li，col也许您应该将其放入您的答案中，尽管已在答案中添加。谢谢