Question

当前df：

df = spark.createDataFrame([
    ("2020-01-12","d1",0),
    ("2020-01-12","d2",0),
    ("2020-01-13","d3",0),
    ("2020-01-14","d4",1), 
    ("2020-01-15","d5",0),
    ("2020-01-15","d6",0),
    ("2020-01-16","d7",0),
    ("2020-01-17","d8",0),
    ("2020-01-18","d9",1),
    ("2020-01-19","d10",0),
    ("2020-01-20","d11",0),], 
    ['date', 'device', 'condition'])

df.show()

+----------+------+---------+
|      date|device|condition|
+----------+------+---------+
|2020-01-12|    d1|        0|
|2020-01-12|    d2|        0|
|2020-01-13|    d3|        0|
|2020-01-14|    d4|        1|
|2020-01-15|    d5|        0|
|2020-01-15|    d6|        0|
|2020-01-16|    d7|        0|
|2020-01-17|    d8|        0|
|2020-01-18|    d9|        1|
|2020-01-19|   d10|        0|
|2020-01-20|   d11|        0|
+----------+------+---------+

所需的输出df：

want_df = spark.createDataFrame([
    ("2020-01-12","d1",0,0),
    ("2020-01-12","d2",0,0),
    ("2020-01-13","d3",0,1),
    ("2020-01-14","d4",1,2), 
    ("2020-01-15","d5",0,1),
    ("2020-01-15","d6",0,1),
    ("2020-01-16","d7",0,2),
    ("2020-01-17","d8",0,3),
    ("2020-01-18","d9",1,4),
    ("2020-01-19","d10",0,1),
    ("2020-01-20","d11",0,2),], 
    ['date', 'device', 'condition', 'life'])

want_df.show()

+----------+------+---------+----+
|      date|device|condition|life|
+----------+------+---------+----+
|2020-01-12|    d1|        0|   0|
|2020-01-12|    d2|        0|   0|
|2020-01-13|    d3|        0|   1|
|2020-01-14|    d4|        1|   2|
|2020-01-15|    d5|        0|   1|
|2020-01-15|    d6|        0|   1|
|2020-01-16|    d7|        0|   2|
|2020-01-17|    d8|        0|   3|
|2020-01-18|    d9|        1|   4|
|2020-01-19|   d10|        0|   1|
|2020-01-20|   d11|        0|   2|
+----------+------+---------+----+

目标是计算直到condition=1为止的日期差（天数），然后将日期差重设为从满足最后一个条件开始的天数。 life是尝试计算的列。知道如何计算吗？ Window还是lag？

Answer 1

这是一种类型的问题，可以通过添加一些临时行（我们将其标记然后在以后将其删除）来简化

from pyspark.sql import Window
from pyspark.sql.functions import lit, lag, sum as fsum, first, datediff

（1）首先，创建一个新的数据帧df1，该数据帧复制条件== 1的所有行，但将其条件设置为0且标志= 1，将结果数据帧与原始数据帧（设置标志= 0）合并： >

df1 = df.withColumn('flag', lit(0)).union(
    df.where('condition = 1').withColumn('condition', lit(0)).withColumn('flag', lit(1))
)

（2）然后，设置以下两个窗口规范，使用w1帮助创建一个子组标签g来对所有连续的行进行分组，直到条件从1切换到0。 flag放入orderBy（）中，以便新添加的行位于条件= 1的相应行的后面，并分组到下一个组标签中。

w1 = Window.partitionBy(lit(0)).orderBy('date', 'flag')
w2 = Window.partitionBy(lit(0), 'g').orderBy('date', 'flag')

注意：：如果您有一个庞大的数据框，则可能需要将lit(0)更改为某些实际列或计算列，以避免Spark将所有行移动到单个分区上。更新：基于注释，数据帧是单个时间序列，可以加载到单个分区上，因此使用lit(0)就足够了。

（3）在w1上使用滞后和求和函数查找子组标签'g'，然后使用WindowSpec w2计算同一组中的first_date。此日期用于计算“寿命”列：

df2 = df1.withColumn('g', fsum((lag('condition').over(w1) == 1).astype('int')).over(w1)) \
    .withColumn('first_date', first('date').over(w2)) \
    .withColumn('life', datediff('date','first_date'))
df2.show()
+----------+------+---------+----+---+----------+----+
|      date|device|condition|flag|  g|first_date|life|
+----------+------+---------+----+---+----------+----+
|2020-01-12|    d1|        0|   0|  0|2020-01-12|   0|
|2020-01-12|    d2|        0|   0|  0|2020-01-12|   0|
|2020-01-13|    d3|        0|   0|  0|2020-01-12|   1|
|2020-01-14|    d4|        1|   0|  0|2020-01-12|   2|
|2020-01-14|    d4|        0|   1|  1|2020-01-14|   0|
|2020-01-15|    d5|        0|   0|  1|2020-01-14|   1|
|2020-01-15|    d6|        0|   0|  1|2020-01-14|   1|
|2020-01-16|    d7|        0|   0|  1|2020-01-14|   2|
|2020-01-17|    d8|        0|   0|  1|2020-01-14|   3|
|2020-01-18|    d9|        1|   0|  1|2020-01-14|   4|
|2020-01-18|    d9|        0|   1|  2|2020-01-18|   0|
|2020-01-19|   d10|        0|   0|  2|2020-01-18|   1|
|2020-01-20|   d11|        0|   0|  2|2020-01-18|   2|
+----------+------+---------+----+---+----------+----+

（4）删除临时行和列以获得最终数据框：

df_new = df2.filter('flag = 0').drop('first_date', 'g', 'flag')
df_new.show()
+----------+------+---------+----+
|      date|device|condition|life|
+----------+------+---------+----+
|2020-01-12|    d1|        0|   0|
|2020-01-12|    d2|        0|   0|
|2020-01-13|    d3|        0|   1|
|2020-01-14|    d4|        1|   2|
|2020-01-15|    d5|        0|   1|
|2020-01-15|    d6|        0|   1|
|2020-01-16|    d7|        0|   2|
|2020-01-17|    d8|        0|   3|
|2020-01-18|    d9|        1|   4|
|2020-01-19|   d10|        0|   1|
|2020-01-20|   d11|        0|   2|
+----------+------+---------+----+

Answer 2

我尝试以不同的方式提供，它更接近于标准sql方言，但仍使用pyspark语法并关注性能影响。

from pyspark.sql import Window
from pyspark.sql.functions import col, when, lit, lag, min, max, datediff

选择条件等于1的日期范围然后使用联合函数与最大日期值组合。

w = Window.partitionBy('date')

dateRange = df.select(df.date).where(df.condition == 1)\
    .union(df.select(max(df.date))).distinct()\
    .orderBy('date')\
    .withColumn('lastDate', lag(col('date').over(w))\
    .select(when(col('lastDate').isNull(), lit('1970-01-01')).otherwise(col('lastDate')).alias('lastDate'), col('date').alias('toDate'))

通过将df与日期范围结合在一起，选择日期范围和第一个最小日期，然后进行分组并计算最小日期值。

dateRange1st = df.join(dateRange, df.date > dateRange.lastDate & df.date <= dateRange.toDate, 'inner').groupBy(dateRange.lastDate, dateRange.toDate).agg(min(df.date).alias('frDate'))

通过将日期范围（第1个）加入df中来选择结果，进行帮助日期过滤并找出不同的地方。

result = df.join(dateRange1st, df.date.between(dateRange1st.frDate, dateRange1st.toDate), 'inner')\
    .select(df.date, df.device, df.condition)\
    .withColumn('life', datediff(df.date - dataRange1st.frDate))\
    .orderBy(df.date)

result.show()

希望这会有所帮助！

如何计算两次满足上一个条件之间的天数？

2 个答案: