我有一个这样的数据框:
id x y
1 a 1 P
2 a 2 S
3 b 3 P
4 b 4 S
我想保留y的'lead'值为'S'的行,让我们说,这样我的结果数据框就会是:
id x y
1 a 1 P
2 b 3 P
我可以使用PySpark执行以下操作:
getLeadPoint = udf(lambda x: 'S' if (y == 'S') else 'NOTS', StringType())
windowSpec = Window.partitionBy(df['id'])
df = df.withColumn('lead_point', getLeadPoint(lead(df.y).over(windowSpec)))
dfNew = df.filter(df.lead_point == 'S')
但是,在这里,我正在改变一个不必要的列,然后进行过滤。
我想要做的是这样的事情,我使用lead()进行过滤,但无法使其工作:
dfNew = df.filter(lead(df.y).over(windowSpec) == 'S')
关于如何使用窗口直接过滤来实现结果的任何想法?
R等价物是:
library(dplyr)
df %>% group_by(id) %>% filter(lead(y) == 'S')
答案 0 :(得分:3)
假设您的数据如下:
df = sc.parallelize([
("a", 1, 1, "P"), ("a", 2, 2, "S"),
("b", 4, 2, "S"), ("b", 3, 1, "P"), ("b", 2, 3, "P"), ("b", 3, 3, "S")
]).toDF(["id", "x", "timestamp", "y"])
和窗口规范相当于
from pyspark.sql.functions import lead, col
from pyspark.sql import Window
w = Window.partitionBy("id").orderBy("timestamp")
您只需添加列并将其用于过滤:
(df
.withColumn("lead_y", lead("y").over(w))
.where(col("lead_y") == "S").drop("lead_y"))
它不漂亮但会比UDF调用更有效。
答案 1 :(得分:0)
效率不高,但你可以用索引压缩,然后创建一个新的RDD,你在索引中加1,然后连接索引然后变成一个简单的过滤操作。