所以我目前有一个如下数据框：
+-------------+----------------+---------------+------------------+-----------------+
| customer_id | init_base_date | init_end_date | reinit_base_date | reinit_end_date |
+-------------+----------------+---------------+------------------+-----------------+
| ... | | | | |
| A | 2015-07-30 | | | |
| A | | 2016-07-24 | | |
| B | 2015-07-10 | | | |
| B | | 2015-10-05 | | |
| B | | | 2016-01-09 | |
| B | | | | 2016-07-04 |
| C | 2015-05-13 | | | |
| C | | 2015-08-09 | | |
| ... | | | | |
+-------------+----------------+---------------+------------------+-----------------+
我真的需要将其转换为以下形式：
+-------------+----------------+---------------+------------------+-----------------+
| customer_id | init_base_date | init_end_date | reinit_base_date | reinit_end_date |
+-------------+----------------+---------------+------------------+-----------------+
| ... | | | | |
| A | 2015-07-30 | 2016-07-24 | | |
| B | 2015-07-10 | 2015-10-05 | 2016-01-09 | 2016-07-04 |
| C | 2015-05-13 | 2015-08-09 | | |
| ... | | | | |
+-------------+----------------+---------------+------------------+-----------------+
我可以想到几种非常乏味的方法来完成上述操作，但是我想知道是否有一种快速有效的方法（也许使用Windows？我现在仅使用PySpark一个月了，所以肯定还是新手）。
答案 0 :(得分：0)
如果您显示的那些空单元格实际上是null（而不是空字符串），则可以将pyspark.sql.functions.first()用作groupBy中的聚合函数。关键是将ignorenulls的{{1}}参数设置为first()（默认为True）。
False如果这些空白值实际上是空字符串，则可以首先replace all empty strings with null并遵循上述方法。然后，您可以（可选）将import pyspark.sql.functions as f
cols = [c for c in df.columns if c != 'customer_id']
df.groupBy('customer_id').agg(*[f.first(c, True).alias(c) for c in cols]).show()
#+-----------+--------------+-------------+----------------+---------------+
#|customer_id|init_base_date|init_end_date|reinit_base_date|reinit_end_date|
#+-----------+--------------+-------------+----------------+---------------+
#| A| 2015-07-30| 2016-07-24| null| null|
#| B| 2015-07-10| 2015-10-05| 2016-01-09| 2016-07-04|
#| C| 2015-05-13| 2015-08-09| null| null|
#+-----------+--------------+-------------+----------------+---------------+
值替换为空白。
null