我有一个这样的表:
+----------+-------------+
| date|BALANCE_DRAWN|
+----------+-------------+
|2017-01-10| 2.21496454E7|
|2018-01-01| 4.21496454E7|
|2018-01-04| 1.21496454E7|
|2018-01-07| 4.21496454E7|
|2018-01-10| 5.21496454E7|
|2019-01-01| 1.21496454E7|
|2019-01-04| 2.21496454E7|
|2019-01-07| 3.21496454E7|
|2019-01-10| 1.21496454E7|
|2020-01-01| 5.21496454E7|
|2020-01-04| 4.21496454E7|
|2020-01-07| 6.21496454E7|
|2020-01-10| 3.21496454E7|
|2021-01-01| 2.21496454E7|
|2021-01-04| 1.21496454E7|
|2021-01-07| 2.21496454E7|
|2021-01-10| 3.21496454E7|
|2022-01-01| 4.21496454E7|
|2022-01-04| 5.21496454E7|
|2022-01-07|2.209869511E7|
|2022-01-10|3.209869511E7|
+----------+-------------+
有没有办法过滤这个数据帧,所以我得到了这样的东西:
+----------+-------------+
| date|BALANCE_DRAWN|
+----------+-------------+
|2017-01-10| 2.21496454E7|
|2018-01-10| 5.21496454E7|
|2019-01-10| 1.21496454E7|
|2020-01-10| 3.21496454E7|
|2021-01-10| 3.21496454E7|
|2022-01-10|3.209869511E7|
+----------+-------------+
即,获取每年的最新日期和相应的BALANCE_DRAWN行。
我设法得到了它,但它只适用于以下代码的1个案例:
df = df.groupby([f.year("date")]).agg(f.last("BALANCE_DRAWN"))
但产量仅为一年:
+----------+-------------+
| date|BALANCE_DRAWN|
+----------+-------------+
|2017 | 2.21496454E7|
|2018 | 5.21496454E7|
|2019 | 1.21496454E7|
|2020 | 3.21496454E7|
|2021 | 3.21496454E7|
|2022 |3.209869511E7|
+----------+-------------+
结果很好,但我需要让它更灵活。(不仅仅是一年(
更新:也许max((可以以某种方式使用。(尝试一下,会更新(
更新2:接受的答案做到了!
df = df.withColumn('year', year(df['date']))
.groupBy(df['year'])
.agg(max(df['date']), first(df['BALANCE_DRAWN']))