Question

我的数据框看起来像

    id      |reg_date  |      txn_date|
+----------+----------+--------------------+
|1          |2019-01-06| 2019-02-15 12:51:15|
|1          |2019-01-06| 2019-03-29 13:15:27|
|1          |2019-01-06| 2019-06-01 01:42:57|
|1          |2019-01-06| 2019-01-06 17:01:...|
|5          |2019-06-16| 2019-07-19 11:50:34|
|5          |2019-06-16| 2019-07-13 19:49:39|
|5          |2019-06-16| 2019-08-27 17:37:22|
|2          |2018-07-30| 2019-01-01 07:03:...|
|2          |2018-07-30| 2019-07-30 01:27:57|
|2          |2018-07-30| 2019-02-01 00:08:35

我想在txn_date之后提取第一个reg_date，即txn_date中的第一个reg_date >= txn_date。

预期输出

    id      |reg_date  |      txn_date|
+----------+----------+--------------------+
|1          |2019-01-06| 2019-01-06 17:01:...|
|5          |2019-06-16| 2019-07-13 19:49:39|
|2          |2018-07-30| 2019-07-30 01:27:57|

到目前为止，我已经完成了

df = df.withColumn('txn_date',to_date(unix_timestamp(F.col('txn_date'),'yyyy-MM-dd HH:mm:ss').cast("timestamp")))

df = df.withColumn('reg_date',to_date(unix_timestamp(F.col('reg_date'),'yyyy-MM-dd').cast("timestamp")))

gg = df.groupBy('id','reg_date').agg(min(F.col('txn_date')))

但是得到错误的结果。

Answer 1

条件reg_date >= txn_date可能不明确。

2019-01-06>=2019-01-06 17:01:30是指2019-01-06 00:00:00>=2019-01-06 17:01:30还是2019-01-06 23:59:59>=2019-01-06 17:01:30？

在您的示例中，2019-01-06>=2019-01-06 17:01:30的评估结果为true，因此我认为是后一种情况，即23:59:59的情况。

按照上面的假设进行操作，这是我的编码方式。

import pyspark.sql.functions as F

#create a sample data frame
data = [('2019-01-06','2019-02-15 12:51:15'),('2019-01-06','2019-03-29 13:15:27'),('2019-01-06','2019-01-06 17:01:30'),\
('2019-07-30','2019-07-30 07:03:01'),('2019-07-30','2019-07-30 01:27:57'),('2019-07-30','2019-07-30 00:08:35')]

cols = ('reg_date', 'txn_date')

df = spark.DataFrame(data,cols)

#add 23:59:59 to reg_date as a dummy_date for a timestamp comparison later
df = df.withColumn('dummy_date', F.concat(F.col('reg_date'), F.lit(' 23:59:59')))

#convert columns to the appropriate time data types
df = df.select([F.to_date(F.col('reg_date'),'yyyy-MM-dd').alias('reg_date'),\
F.to_timestamp(F.col('txn_date'),'yyyy-MM-dd HH:mm:ss').alias('txn_date'),\
F.to_timestamp(F.col('dummy_date'),'yyyy-MM-dd HH:mm:ss').alias('dummy_date')])

#implementation part
(df.orderBy('reg_date')
   .filter(F.col('dummy_date')>=F.col('txn_date'))
   .groupBy('reg_date')
   .agg(F.first('txn_date').alias('txn_date'))
   .show()) 

#+----------+----------------------+
#|  reg_date|              txn_date|
#+----------+----------------------+
#|2019-01-06|   2019-01-06 17:01:30|
#|2019-07-30|   2019-07-30 07:03:01|
#+----------+----------------------+

Answer 2

您无需订购。您可以使用过滤器丢弃所有较小的值，然后按ID进行汇总并获得较小的时间戳，因为第一个时间戳将是最小的。像这样：

df.filter(df.reg_date >= df.txn_date) \
  .groupBy(df.reg_date) \
  .agg(F.min(df.txn_date)) \
  .show()

Pyspark中的条件时进行分组

2 个答案: