在pyspark中添加带有主题内排名互动日的列

Question

我有一个大型的pyspark数据框，其中包含多年期间的用户交互数据。有很多列，但是对此问题有用的三个列是userid，interaction_date和interaction_timestamp。假设表中有给定用户的多个条目。

我需要编写一个函数来添加一列，该列将指示表中给定客户在最新观察到的交互之前的天数。例如，对于输入表

我想添加一列，该列从该用户的最近交互日期开始计数（例如，最近的交互日期是1，下一个最近的交互日期是2，等等）：

任何人都可以引导我朝着正确的方法去做吗？

Answer 1

您可以使用window之类的dense_rank函数来实现。看看下面的评论：

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

cols = ['userid','interaction_timestamp']
data =[( '1'        ,'2018-01-02' ),
( '2'        , '2018-01-03' ),
( '1'        , '2018-01-03' ),
( '1'        , '2018-01-04' ),
( '2'        , '2018-01-02' ),
( '3'        , '2018-01-03' ),
( '4'        , '2018-01-03' )]

df = spark.createDataFrame(data, cols)

df = df.withColumn('interaction_timestamp', F.to_date('interaction_timestamp', 'yyyy-MM-dd'))

#rows with the same userid become part of the the same partition
#these partitions will be ordered descending by interaction_timestamp
w = Window.partitionBy('userid').orderBy(F.desc('interaction_timestamp'))

#dense_rank will assign a number to each row according to the defined order
df.withColumn("interaction_date_order", F.dense_rank().over(w)).show()

输出：

+------+---------------------+----------------------+ 
|userid|interaction_timestamp|interaction_date_order| 
+------+---------------------+----------------------+ 
|     3|           2018-01-03|                     1| 
|     1|           2018-01-04|                     1| 
|     1|           2018-01-03|                     2| 
|     1|           2018-01-02|                     3| 
|     4|           2018-01-03|                     1| 
|     2|           2018-01-03|                     1| 
|     2|           2018-01-02|                     2|
+------+---------------------+----------------------+