确保 PySpark 数组中相邻元素之间的差异大于给定的最小值

Question

我有一个三列的PySpark数据帧(df(。

1.category：一些字符串

阿拉伯数字。startTimeArray：它是一个数组，包含按升序排列的时间戳。

3.endTimeArray：它是一个数组，包含按升序排列的时间戳。

在每一行中，startTimeArray中的数组长度与endTimeArray中的数组长度相同。对于这些数组中的每个索引，startTimeArray中给出的时间戳小于endTimeArray中相应的(相同索引(时间戳(发生在前一个日期(。

在列startTimeArray(和列endTimeArray(中，数组的长度可以不同。

以下是数据帧的示例：

+--------+---------------------------------------------------------------------------------------------------------+---------------------------------------------------------------------------------------------------------+
|category|startTimeArray                                                                                           |endTimeArray                                                                                             |
+--------+---------------------------------------------------------------------------------------------------------+---------------------------------------------------------------------------------------------------------+
|a       |[2019-01-10 00:00:00, 2019-01-12 00:00:00, 2019-01-16 00:00:00, 2019-01-20 00:00:00]                     |[2019-01-11 00:00:00, 2019-01-15 00:00:00, 2019-01-18 00:00:00, 2019-01-22 00:00:00]                     |
|a       |[2019-03-11 00:00:00, 2019-03-18 00:00:00, 2019-03-20 00:00:00, 2019-03-25 00:00:00, 2019-03-27 00:00:00]|[2019-03-16 00:00:00, 2019-03-19 00:00:00, 2019-03-23 00:00:00, 2019-03-26 00:00:00, 2019-03-30 00:00:00]|
|b       |[2019-01-14 00:00:00, 2019-01-16 00:00:00, 2019-02-22 00:00:00]                                          |[2019-01-15 00:00:00, 2019-01-18 00:00:00, 2019-02-25 00:00:00]                                          |
+--------+---------------------------------------------------------------------------------------------------------+---------------------------------------------------------------------------------------------------------+

在每一行中，在列startTimeArray中，我想确保数组中连续元素(连续索引处的元素(之间的差异至少为三天。如果startTimeArray中的一行有n个元素，我愿意删除数组中的条目，但第一个条目除外。此外，如果索引 i 处的元素从startTimeArray中的行中删除，我希望索引 i-1 处的元素从endTimeArray中的同一行中删除。

如何使用 PySpark 完成此任务？

我们需要注意的几件事：

1. 如果startTimeArray中的数组有一个元素，我们就让它在那里。

2. 我意识到可以通过删除数组中第一个元素之后的所有元素来实现此任务startTimeArray.这将是微不足道的情况。但我想通过尽可能少地删除来完成任务。

以下是我在上面给出的示例数据帧的情况下想要的输出df。

+--------+---------------------------------------------------------------+---------------------------------------------------------------+
|category|startTimeArray                                                 |endTimeArray                                                   |
+--------+---------------------------------------------------------------+---------------------------------------------------------------+
|a       |[2019-01-10 00:00:00, 2019-01-16 00:00:00, 2019-01-20 00:00:00]|[2019-01-15 00:00:00, 2019-01-18 00:00:00, 2019-01-22 00:00:00]|
|a       |[2019-03-11 00:00:00, 2019-03-18 00:00:00, 2019-03-25 00:00:00]|[2019-03-16 00:00:00, 2019-03-23 00:00:00, 2019-03-30 00:00:00]|
|b       |[2019-01-14 00:00:00, 2019-02-22 00:00:00]                     |[2019-01-18 00:00:00, 2019-02-25 00:00:00]                     |
+--------+---------------------------------------------------------------+---------------------------------------------------------------+

Answer 1

用户定义函数(UDF(可以完成这项工作。虽然它比本机 Spark sql 函数具有性能损失，但它清楚地表达了所需的操作。

from datetime import date, timedelta
from pyspark.sql.functions import *
from pyspark.sql.types import *
d = [date(2019, 1, d) for d in (10, 12, 16, 20)]
e = [date(2019, 1, d) for d in (11, 15, 18, 22)]
f = [date(2019, 3, d) for d in (11, 18, 20, 25, 27)]
g = [date(2019, 3, d) for d in (16, 19, 23, 26, 30)]
h = [date(2019, 1, 14), date(2019, 1, 16), date(2019, 2, 22)]
i = [date(2019, 1, 15), date(2019, 1, 18), date(2019, 2, 25)]
df = spark.createDataFrame((("a", d, e), ("a", f, g), ("b", h, i)),
schema=("category", "startDates", "endDates"))

@udf(returnType=ArrayType(ArrayType(DateType())))
def retain_dates_n_days_apart(startDates, endDates, min_apart=3):
start_dates = [startDates[0]]
end_dates = []
for start, end in zip(startDates[1:], endDates):
if start >= start_dates[-1] + timedelta(days=min_apart):
start_dates.append(start)
end_dates.append(end)
end_dates.append(endDates[-1])
return start_dates, end_dates

df2 = (df
.withColumn("foo",
retain_dates_n_days_apart(df.startDates,
df.endDates))
.cache())
(df2.withColumn("startDates", df2.foo.getItem(0))
.withColumn("endDates", df2.foo.getItem(1))
.drop("foo")
).show(truncate=False)
# +--------+------------------------------------+------------------------------------+
# |category|startDates                          |endDates                            |
# +--------+------------------------------------+------------------------------------+
# |a       |[2019-01-10, 2019-01-16, 2019-01-20]|[2019-01-15, 2019-01-18, 2019-01-22]|
# |a       |[2019-03-11, 2019-03-18, 2019-03-25]|[2019-03-16, 2019-03-23, 2019-03-30]|
# |b       |[2019-01-14, 2019-02-22]            |[2019-01-18, 2019-02-25]            |
# +--------+------------------------------------+------------------------------------+