根据Spark中前一行的同一列中的值计算值

时间:2019-11-20 17:01:50

标签: scala apache-spark apache-spark-sql

我遇到一个问题,我必须使用公式计算列,该公式使用上一行中的计算所得的值。

我无法使用withColumn API来解决这个问题。

我需要使用以下公式计算新列:

MovingRate = MonthlyRate + (0.7 * MovingRatePrevious)

...其中MovingRatePrevious是上一行的MovingRate

对于第1个月,我具有该值,因此无需重新计算该值,但是需要该值才能计算后续的行。我需要按类型分区。

这是我的原始数据集:

enter image description here

MovingRate列中所需的结果:

enter image description here

3 个答案:

答案 0 :(得分:1)

鉴于必须从先前的速率递归计算每个移动速率的要求,因此面向列的DataFrame API不会发光,尤其是在数据集很大的情况下。

也就是说,如果数据集不大,一种方法是使Spark通过UDF以窗口划分的费率列表作为输入重新计算行进费率:

import org.apache.spark.sql.expressions.Window

val df = Seq(
  (1, "blue", 0.4, Some(0.33)),
  (2, "blue", 0.3, None),
  (3, "blue", 0.7, None),
  (4, "blue", 0.9, None),
  (1, "red", 0.5, Some(0.2)),
  (2, "red", 0.6, None),
  (3, "red", 0.8, None)
).toDF("Month", "Type", "MonthlyRate", "MovingRate")

val win = Window.partitionBy("Type").orderBy("Month").
  rowsBetween(Window.unboundedPreceding, 0)

def movingRate(factor: Double) = udf( (initRate: Double, monthlyRates: Seq[Double]) =>
  monthlyRates.tail.foldLeft(initRate)( _ * factor + _ )
)

df.
  withColumn("MovingRate", when($"Month" === 1, $"MovingRate").otherwise(
    movingRate(0.7)(last($"MovingRate", ignoreNulls=true).over(win), collect_list($"MonthlyRate").over(win))
  )).
  show
// +-----+----+-----------+------------------+
// |Month|Type|MonthlyRate|        MovingRate|
// +-----+----+-----------+------------------+
// |    1| red|        0.5|               0.2|
// |    2| red|        0.6|              0.74|
// |    3| red|        0.8|             1.318|
// |    1|blue|        0.4|              0.33|
// |    2|blue|        0.3|0.5309999999999999|
// |    3|blue|        0.7|1.0716999999999999|
// |    4|blue|        0.9|1.6501899999999998|
// +-----+----+-----------+------------------+

答案 1 :(得分:1)

尽管它可能与寡妇函数有关(请参阅@Leo C的答案),但我敢打赌它的性能更高,可以使用TypegroupBy进行一次汇总。然后,分解UDF的结果以取回所有行:

val df = Seq(
  (1, "blue", 0.4, Some(0.33)),
  (2, "blue", 0.3, None),
  (3, "blue", 0.7, None),
  (4, "blue", 0.9, None)
)
.toDF("Month", "Type", "MonthlyRate", "MovingRate")

// this udf produces an Seq of Tuple3 (Month, MonthlyRate, MovingRate)
val calcMovingRate = udf((startRate:Double,rates:Seq[Row]) => rates.tail
  .scanLeft((rates.head.getInt(0),startRate,startRate))((acc,curr) => (curr.getInt(0),curr.getDouble(1),acc._3+0.7*curr.getDouble(1)))
)

df
  .groupBy($"Type")
  .agg(
    first($"MovingRate",ignoreNulls=true).as("startRate"),
    collect_list(struct($"Month",$"MonthlyRate")).as("rates")
  )
  .select($"Type",explode(calcMovingRate($"startRate",$"rates")).as("movingRates"))
  .select($"Type",$"movingRates._1".as("Month"),$"movingRates._2".as("MonthlyRate"),$"movingRates._3".as("MovingRate"))
  .show()

给予:

+----+-----+-----------+------------------+
|Type|Month|MonthlyRate|        MovingRate|
+----+-----+-----------+------------------+
|blue|    1|       0.33|              0.33|
|blue|    2|        0.3|              0.54|
|blue|    3|        0.7|              1.03|
|blue|    4|        0.9|1.6600000000000001|
+----+-----+-----------+------------------+

答案 2 :(得分:0)

您要尝试的是计算一个类似于以下内容的递归公式:

x[i] = y[i] + 0.7 * x[i-1]

其中x[i]是您在MovingRate行中的iy[i]是您在MonthlyRate行中的i

问题在于,这是一个纯粹的顺序公式。每行都需要前一个的结果,而后者又需要前一个的结果。 Spark是一个并行计算引擎,很难使用它来加速无法真正并行化的计算。