Question

我在Spark中有一个包含2列group_id和value的数据框，其中value是双精度数。我想根据group_id对数据进行分组，按value对每个组进行排序，然后添加第三列index，表示value在排序中的位置该组的价值观。

例如，考虑以下输入数据：

+--------+-----+
|group_id|value|
+--------+-----+
|1       |1.3  |
|2       |0.8  |
|1       |3.4  |
|1       |-1.7 |
|2       |2.3  |
|2       |5.9  |
|1       |2.7  |
|1       |0.0  |
+--------+-----+

输出将类似于

+--------+-----+-----+
|group_id|value|index|
+--------+-----+-----+
|1       |-1.7 |1    |
|1       |0.0  |2    |
|1       |1.3  |3    |
|1       |2.7  |4    |
|1       |3.4  |5    |
|2       |0.8  |1    |
|2       |2.3  |2    |
|2       |5.9  |3    |
+--------+-----+-----+

如果索引从0开始并且排序是升序还是降序，则不重要。

作为后续行动，请考虑原始数据中存在第三列extra的情况，该列会为某些(group_id, value)组合带来多个值。一个例子是：

+--------+-----+-----+
|group_id|value|extra|
+--------+-----+-----+
|1       |1.3  |1    |
|1       |1.3  |2    |
|2       |0.8  |1    |
|1       |3.4  |1    |
|1       |3.4  |2    |
|1       |3.4  |3    |
|1       |-1.7 |1    |
|2       |2.3  |1    |
|2       |5.9  |1    |
|1       |2.7  |1    |
|1       |0.0  |1    |
+--------+-----+-----+

是否可以添加index列，以便extra列不被考虑但仍保留？这种情况下的输出是

+--------+-----+-----+-----+
|group_id|value|extra|index|
+--------+-----+-----+-----+
|1       |-1.7 |1    |1    |
|1       |0.0  |1    |2    |
|1       |1.3  |1    |3    |
|1       |1.3  |2    |3    |
|1       |2.7  |1    |4    |
|1       |3.4  |1    |5    |
|1       |3.4  |2    |5    |
|1       |3.4  |3    |5    |
|2       |0.8  |1    |1    |
|2       |2.3  |1    |2    |
|2       |5.9  |1    |3    |
+--------+-----+-----+-----+

我知道可以通过复制数据，删除extra列来实现此目的

复制数据
删除extra列
执行distinct操作，这将导致原始示例中的数据
使用原始解决方案计算index列
使用第二个示例

然而，这将涉及大量额外的计算和开销。

Answer 1

您可以使用Window函数创建基于value的排名列，按group_id分区：

from pyspark.sql.window import Window
from pyspark.sql.functions import rank, dense_rank
# Define window
window = Window.partitionBy(df['group_id']).orderBy(df['value'])
# Create column
df.select('*', rank().over(window).alias('index')).show()
+--------+-----+-----+
|group_id|value|index|
+--------+-----+-----+
|       1| -1.7|    1|
|       1|  0.0|    2|
|       1|  1.3|    3|
|       1|  2.7|    4|
|       1|  3.4|    5|
|       2|  0.8|    1|
|       2|  2.3|    2|
|       2|  5.9|    3|
+--------+-----+-----+

因为，您首先选择'*'，所以您也可以使用上面的代码保留所有其他变量。但是，您的第二个示例显示您正在查找函数dense_rank()，该函数作为排名列提供无间隙：

df.select('*', dense_rank().over(window).alias('index'))

在Spark数据帧中为每个组创建索引

1 个答案: