Question

我需要使用Pyspark检测时间序列上的阈值。在下面的示例图中，我想检测（通过存储相关的时间戳）参数ALT_STD的每次出现都大于5000然后低于5000.

对于这个简单的情况，我可以运行简单的查询，例如

t_start = df.select('timestamp')\
                .filter(df.ALT_STD > 5000)\
                .sort('timestamp')\
                .first()
t_stop = df.select('timestamp')\
               .filter((df.ALT_STD < 5000)\                           
                       & (df.timestamp > t_start.timestamp))\
               .sort('timestamp')\
               .first()

然而，在某些情况下，事件可以是循环的，并且我可能有几条曲线（即ALT_STD的几次将高于或低于5000）。当然，如果我使用上面的查询，我将只能检测到第一次出现。

我想我应该使用带有udf的窗口函数，但我找不到可行的解决方案。我的猜测是算法应该是这样的：

windowSpec = Window.partitionBy('flight_hash')\
                   .orderBy('timestamp')\
                   .rowsBetween(Window.currentRow, 1)

def detect_thresholds(x):
    if (x['ALT_STD'][current_row]< 5000) and (x['ALT_STD'][next_row] > 5000):
        return x['timestamp'] #Or maybe simply 1
    if (x['ALT_STD'][current_row]> 5000) and (x['ALT_STD'][current_row] > 5000):
    return x['timestamp'] #Or maybe simply 2
    else:
        return 0

import pyspark.sql.functions as F
detect_udf = F.udf(detect_threshold, IntegerType())
df.withColumn('Result', detect_udf(F.Struct('ALT_STD')).over(windowSpec).show()

这样的算法在Pyspark中是否可行？怎么样？

后scriptum： 作为旁注，我已经了解了如何使用udf或udf和内置的sql窗口函数，但不知道如何组合udf和窗口。例如：

# This will compute the mean (built-in function)
df.withColumn("Result", F.mean(df['ALT_STD']).over(windowSpec)).show()

# This will also work
divide_udf = F.udf(lambda x: x[0]/1000., DoubleType())
df.withColumn('result', divide_udf(F.struct('timestamp')))

Answer 1

这里不需要udf（并且python udfs不能用作窗口函数）。只需将lead / lag与when：

一起使用即可

from pyspark.sql.functions import col, lag, lead, when

result = (when((col('ALT_STD') < 5000) & (lead(col('ALT_STD'), 1) > 5000), 1)
    .when(col('ALT_STD') > 5000) & (lead(col('ALT_STD'), 1) < 5000), 1)
    .otherwise(0))

df.withColum("result", result)

Answer 2

感谢user9569772回答我发现了。他的解决方案不起作用，因为.lag（）或.lead（）是窗口函数。

from pyspark.sql.functions import when
from pyspark.sql import functions as F

# Define conditions
det_start = (F.lag(F.col('ALT_STD')).over(windowSpec) < 100)\
          & (F.lead(F.col('ALT_STD'), 0).over(windowSpec) >= 100)
det_end = (F.lag(F.col('ALT_STD'), 0).over(windowSpec) > 100)\
        & (F.lead(F.col('ALT_STD')).over(windowSpec) < 100)

# Combine conditions with .when() and .otherwise()
result = (when(det_start, 1)\
       .when(det_end, 2)\
       .otherwise(0))

df.withColumn("phases", result).show()

Pyspark：在窗口内使用udf

2 个答案: