>我有一个包含日志的 Pyspark 数据帧,每行对应于记录时系统的状态,以及一个组号。我想找出每个组处于不健康状态的时间段的长度。
例如,如果这是我的表:
TIMESTAMP | STATUS_CODE | GROUP_NUMBER
--------------------------------------
02:03:11 | healthy | 000001
02:03:04 | healthy | 000001
02:03:03 | unhealthy | 000001
02:03:00 | unhealthy | 000001
02:02:58 | healthy | 000008
02:02:57 | healthy | 000008
02:02:55 | unhealthy | 000001
02:02:54 | healthy | 000001
02:02:50 | healthy | 000007
02:02:48 | healthy | 000004
我想返回组 000001 的不正常时间段为 9 秒(从 02:02:55 到 02:03:04(。
其他群体也可能有不健康的时间段,我也想返回这些时间段。
由于具有相同状态的连续行的可能性,并且由于不同组的行穿插在一起,我正在努力寻找一种有效地执行此操作的方法。
我无法将 Pyspark 数据帧转换为 Pandas 数据帧,因为它太大了。
如何有效地确定这些时间段的长度?
非常感谢!
带有Spark-SQL解决方案的pyspark看起来像这样。
首先,我们创建示例数据集。除了数据集之外,我们还生成row_number字段分区,并按时间戳排序。然后我们将生成的数据帧注册为表,例如table1
from pyspark.sql.window import Window
from pyspark.sql.functions import row_number
from pyspark.sql.functions import unix_timestamp
df = spark.createDataFrame([
('2017-01-01 02:03:11','healthy','000001'),
('2017-01-01 02:03:04','healthy','000001'),
('2017-01-01 02:03:03','unhealthy','000001'),
('2017-01-01 02:03:00','unhealthy','000001'),
('2017-01-01 02:02:58','healthy','000008'),
('2017-01-01 02:02:57','healthy','000008'),
('2017-01-01 02:02:55','unhealthy','000001'),
('2017-01-01 02:02:54','healthy','000001'),
('2017-01-01 02:02:50','healthy','000007'),
('2017-01-01 02:02:48','healthy','000004')
],['timestamp','state','group_id'])
df = df.withColumn('rownum', row_number().over(Window.partitionBy(df.group_id).orderBy(unix_timestamp(df.timestamp))))
df.registerTempTable("table1")
将数据帧注册为表 ( table1
( 后。 所需的数据可以使用Spark-SQL计算如下
>>> spark.sql("""
... SELECT t1.group_id,sum((t2.timestamp_value - t1.timestamp_value)) as duration
... FROM
... (SELECT unix_timestamp(timestamp) as timestamp_value,group_id,rownum FROM table1 WHERE state = 'unhealthy') t1
... LEFT JOIN
... (SELECT unix_timestamp(timestamp) as timestamp_value,group_id,rownum FROM table1) t2
... ON t1.group_id = t2.group_id
... AND t1.rownum = t2.rownum - 1
... group by t1.group_id
... """).show()
+--------+--------+
|group_id|duration|
+--------+--------+
| 000001| 9|
+--------+--------+
示例日期集仅包含group_id 00001
的不正常数据。 但此解决方案适用于状态不正常group_ids的其他情况。
一种简单的方法(可能不是最佳的(是:
- 映射到以 GROUP_NUMBER 为 Key K 的
[K,V]
- 使用
repartitionAndSortWithinPartitions
,因此您将在同一分区中拥有每个组的所有数据,并按TIMESTAMP
排序。详细解释它是如何工作的在这个答案中: Pyspark:使用repartitionAndSortWithinPartitions与多个排序Critiria。 - 最后,使用
mapPartitions
对单个分区中的排序数据进行迭代,以便您可以轻松找到所需的答案。(mapPartitions
解释:pyspark mapPartitions函数如何工作?