我有另一个解决方案,但是我更喜欢使用PySpark 2.3来实现。
我有一个二维的PySpark数据框,如下所示:
Date | ID
---------- | ----
08/31/2018 | 10
09/31/2018 | 10
09/01/2018 | null
09/01/2018 | null
09/01/2018 | 12
我想通过查找过去最接近的值来替换ID
空值,或者向前看(如果该值再次为空,则设置默认值)来替换该值。
我曾想过用.withColumn
添加一个新列并使用UDF函数来查询数据框本身。
类似于伪代码的东西(虽然不完美,但这是主要思想):
from pyspark.sql.types import StringType
from pyspark.sql.functions import udf
def return_value(value,date):
if value is not null:
return val
value1 = df.filter(df['date']<= date).select(df['value']).collect()
if (value1)[0][0] is not null:
return (value1)[0][0]
value2 = df.filter(tdf['date']>= date).select(df['value']).collect()
return (value2)[0][0]
value_udf = udf(return_value,StringType())
new_df = tr.withColumn("new_value", value_udf(df.value,df.date))
但是它不起作用。我是完全错误地做到了吗?是否只能在UDF函数中查询Spark数据帧?我错过了一个更简单的解决方案吗?
答案 0 :(得分:-1)
创建有一列新的数据框 - 所有日期的唯一列表:
datesDF = yourDF.select('Date').distinct()
创建另一个将由日期和ID组成的标识符,但仅包含没有空值的标识符。并且还允许仅保留第一(无论将是第一个)每个日期ID的发生(从你的例子来看可以有每日期多行)
noNullsDF = yourDF.dropna().dropDuplicates(subset='Date')
现在,让我们加入这两个让我们有什么价值,我们有这方面(或空)的所有日期的名单
joinedDF = datesDF.join(noNullsDF, 'Date', 'left')
现在对于每个日期,都可以使用窗口函数从上一个日期和下一个日期获取ID的值,还可以重命名ID列,以便以后使用join的问题更少:
from pyspark.sql.window import Window
from pyspark.sql import functions as f
w = Window.orderBy('Date')
joinedDF = joinedDF.withColumn('previousID',f.lag('ID').over(w))
.withColumn('nextID',f.lead('ID').over(w))
.withColumnRenamed('ID','newID')
现在,让它按日期加入到我们的原始数据框中
yourDF = yourDF.join(joinedDF, 'Date', 'left')
现在我们的数据框具有4个ID列:
现在,我们需要按顺序将它们组合成finalID:
我们只是通过合并来做到这一点:
default = 0
finalDF = yourDF.select('Date',
'ID',
f.coalesce('ID',
'newID',
'previousID',
'nextID',
f.lit(default)).alias('finalID')
)