查找Spark数据框架中多个字段的前n个结果

Question

我有一个像这样的数据框架:

name  field1  field2  field3
a     4       10      8 
b     5       0       11
c     10      7       4
d     0       1       5

我需要为每个字段找到前3个名称。

预期输出:

top3-field1  top3-field2  top3-field3
c            a            b
b            c            a
a            d            d

因此，我尝试排序字段(n)列值，限制前3个结果并使用withColumn方法生成新列，如下所示:

df1 = df.orderBy(f.col("field1").desc(), "name") 
.limit(3) 
.withColumn("top3-field1", df["name"]) 
.select("top3-field1", "field1")

使用这种方法，我必须为每个字段(n)创建不同的数据框架，然后将它们连接起来以获得如上所述的结果。我觉得这个问题一定有更好的解决办法。希望有人能给我一些建议

Answer 1

你可以先堆叠df，然后得到降序排序，然后过滤掉小于或等于3的排序，最后枢轴名称:

请注意，我在代码中使用这个函数是为了使输入本身的堆叠更容易一些:

---

from pyspark.sql import functions as F, Window as W #imports
w = W.partitionBy("col").orderBy(F.desc("values"))
out = (df.selectExpr("name",stack_multiple_col(df,df.columns[1:]))
.withColumn("Rnk",F.dense_rank().over(w))
.where("Rnk<=3").groupBy("Rnk").pivot("col").agg(F.first("name")))
out.show()
+---+------+------+------+
|Rnk|field1|field2|field3|
+---+------+------+------+
|  1|     c|     a|     b|
|  2|     b|     c|     a|
|  3|     a|     d|     d|
+---+------+------+------+

如果你不愿意使用这个函数，你可以这样写:

w = W.partitionBy("col").orderBy(F.desc("values"))
out = (df.selectExpr("name",
'stack(3,"field1",field1,"field2",field2,"field3",field3) as (col,values)')
.withColumn("Rnk",F.dense_rank().over(w))
.where("Rnk<=3").groupBy("Rnk").pivot("col").agg(F.first("name")))

完整代码:

def stack_multiple_col(df,cols=df.columns,output_columns=["col","values"]):
"""stacks multiple columns in a dataframe, 
takes all columns by default unless passed a list of values"""
return (f"""stack({len(cols)},{','.join(map(','.join,
(zip([f'"{i}"' for i in cols],cols))))}) as ({','.join(output_columns)})""")

w = W.partitionBy("col").orderBy(F.desc("values"))
out = (df.selectExpr("name",stack_multiple_col(df,df.columns[1:]))
.withColumn("Rnk",F.dense_rank().over(w))
.where("Rnk<=3").groupBy("Rnk").pivot("col").agg(F.first("name")))
out.show()