Question

嗨，我有一个 PySpark数据框。因此，我想从特殊条件的不同行中添加两列。列之一是日期类型。

以下是数据示例：

--------------------------------
| flag|      date     |  diff  |
--------------------------------
| 1   |   2014-05-31  | 0      |
--------------------------------
| 2   |   2014-06-02  | 2      |
--------------------------------
| 3   |   2016-01-14  | 591    |
--------------------------------
| 1   |   2016-07-08  | 0      |
--------------------------------
| 2   |   2016-07-12  | 4      |
--------------------------------

目前，我只知道如何通过使用以下代码添加两列：

from pyspark.sql.functions import expr
dataframe.withColumn("new_column", expr("date_add(date_column, int_column)"))

预期结果：

有一个新列，称为“ new_date”，它是通过将“ diff”列添加到“ date column”而得到的。

捕获有一个特殊条件：如果“ flag”为1，则“ date”和“ diff”来自同一行，如果不是，则“ date”来自上一行。

我知道在这种情况下，我的数据必须正确排序。

如果有人可以帮助我，我将非常感激。谢谢。

Answer 1

您只需要使用Window创建一个具有上一个日期的列，并根据'flag'的值构造一个新列

import pyspark.sql.functions as F
from pyspark.sql.window import Window

w = Window().partitionBy().orderBy(F.col('date'))

dataframe = dataframe.withColumn('previous_date', F.lag('date', 1).over(w))

dataframe = dataframe.withColumn('new_date',
                                 F.when(F.col('flag')==1,
                                        F.expr("date_add(previous_date, diff)")
                                        ).otherwise(F.expr("date_add(date, diff)"))
                                ).drop('previous_date')

Answer 2

以防万一您对Xavier的回答有相同的问题。想法是相同的，但是我删除了一些不必要的Window条件，并修复了语法错误以及尝试使用他的版本时遇到的date_add错误。

from pyspark.sql.functions import *
df1 = spark.createDataFrame([(1,datetime.date(2014,5,31),0),(2,datetime.date(2014,6,2),2),(3,datetime.date(2016,1,14),591),(1,datetime.date(2016,7,8),0),(2,datetime.date(2016,7,12),4)], ["flag","date","diff"])

w = Window.orderBy(col("date"))
df1 = df1.withColumn('previous_date', lag('date', 1).over(w))
df1 = df1.withColumn('new_date',when(col('flag')==1,\
expr('date_add(date, diff)'))\
.otherwise(expr('date_add(previous_date,diff)'))).drop('previous_date')
df1.show()

输出：

+----+----------+----+----------+
|flag|      date|diff|  new_date|
+----+----------+----+----------+
|   1|2014-05-31|   0|2014-05-31|
|   2|2014-06-02|   2|2014-06-02|
|   3|2016-01-14| 591|2016-01-14|
|   1|2016-07-08|   0|2016-07-08|
|   2|2016-07-12|   4|2016-07-12|
+----+----------+----+----------+

如何添加具有特殊条件的不同行的两列？

2 个答案: