Scala 带当前行条件的火花窗功能

我正在尝试计算一个给定的

订单id

在过去365天内有多少订单付款。这不是问题所在：我使用的是

让我感到棘手的是：我不想在当前订单id的

订单日期之后的
payment\u date
时间窗口中计算订单

目前，我有这样的想法：

val window: WindowSpec = Window
  .partitionBy("customer_id")
  .orderBy("order_date")
  .rangeBetween(-365*days, -1)

+---------+-----------+-------------+------------+-----------------+
|order_id |order_date |payment_date |customer_id |paid_order_count |
+---------+-----------+-------------+------------+-----------------+
|1        |2017-01-01 |2017-01-10   |A           |0                |
|2        |2017-02-01 |2017-02-10   |A           |1                |
|3        |2017-02-02 |2017-02-20   |A           |1                |

及

这将统计客户当前订单前365天内的所有订单

现在，我如何将当前订单的
订单\日期
纳入计数条件

例如：

+---------+-----------+-------------+------------+
|order_id |order_date |payment_date |customer_id |
+---------+-----------+-------------+------------+
|1        |2017-01-01 |2017-01-10   |A           |
|2        |2017-02-01 |2017-02-10   |A           |
|3        |2017-02-02 |2017-02-20   |A           |

生成的表应如下所示：

val window: WindowSpec = Window
  .partitionBy("customer_id")
  .orderBy("order_date")
  .rangeBetween(-365*days, -1)

+---------+-----------+-------------+------------+-----------------+
|order_id |order_date |payment_date |customer_id |paid_order_count |
+---------+-----------+-------------+------------+-----------------+
|1        |2017-01-01 |2017-01-10   |A           |0                |
|2        |2017-02-01 |2017-02-10   |A           |1                |
|3        |2017-02-02 |2017-02-20   |A           |1                |

对于
order\u id=3
而言，支付的
订单数量不应为
2
，而应为
1
，因为
order\u id=2
是在下单
order\u id=3
后支付的

我希望我能很好地解释我的问题，并期待你的想法
 问题很好！！！
使用rangeBetween的两个注释创建了一个基于行数而非值的固定框架，因此在两种情况下会出现问题：

客户并不是每天都有订单，所以365行窗口可能包含订单日期早于一年前的行
若客户每天有一个以上的订单，这将影响一年的保险范围
1和2的组合
另外，rangeBetween不适用于日期和时间戳数据类型

要解决此问题，可以使用带有列表和自定义项的窗口函数：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

  val df = spark.sparkContext.parallelize(Seq(
    (1, "2017-01-01", "2017-01-10", "A")
    , (2, "2017-02-01", "2017-02-10", "A")
    , (3, "2017-02-02", "2017-02-20", "A")
  )
  ).toDF("order_id", "order_date", "payment_date", "customer_id")
    .withColumn("order_date_ts", to_timestamp($"order_date", "yyyy-MM-dd").cast("long"))
    .withColumn("payment_date_ts", to_timestamp($"payment_date", "yyyy-MM-dd").cast("long"))

//      df.printSchema()
//      df.show(false)

  val window = Window.partitionBy("customer_id").orderBy("order_date_ts").rangeBetween(Window.unboundedPreceding, -1)

  val count_filtered_dates = udf( (days: Int, top: Long, array: Seq[Long]) => {
      val bottom = top - (days * 60 * 60 * 24).toLong // in spark timestamps are in secconds, calculating the date days ago
      array.count(v => v >= bottom && v < top)
    }
  )

  val res = df.withColumn("paid_orders", collect_list("payment_date_ts") over window)
      .withColumn("paid_order_count", count_filtered_dates(lit(365), $"order_date_ts", $"paid_orders"))

  res.show(false)

将日期转换为以秒为单位的火花时间戳可以提高列表的内存效率

这是最容易实现的代码，但不是最理想的，因为列表将占用一些内存，自定义UDAF将是最好的，但需要更多的编码，稍后可能会执行。如果每个客户有数千个订单，这仍然有效。
那么您只需要根据付款日期计算每个订单日期的累积计数？