我必须在spark数据帧或rdd(最好是数据帧(上应用一个逻辑,它需要生成两个额外的列。第一个生成列依赖于同一行的其他列,而第二个生成列则依赖于前一行的第一个生成的列。
以下是问题陈述的表格形式。A和B列在数据帧中可用。将生成C和D列。
A | B | C | D
------------------------------------
1 | 100 | default val | C1-B1
2 | 200 | D1-C1 | C2-B2
3 | 300 | D2-C2 | C3-B3
4 | 400 | D3-C3 | C4-B4
5 | 500 | D4-C4 | C5-B5
这是样本数据
A | B | C | D
------------------------
1 | 100 | 1000 | 900
2 | 200 | -100 | -300
3 | 300 | -200 | -500
4 | 400 | -300 | -700
5 | 500 | -400 | -900
我能想到的唯一解决方案是将输入数据帧合并为1,将其转换为rdd,然后将python函数(具有所有计算逻辑(应用于mapPartitions API。然而,这种方法可能会在一个执行器上产生负载。
lag((函数可以帮助您:
import pyspark.sql.functions as F
from pyspark.sql.window import Window
w = Window.orderBy("A")
df1 = df1.withColumn("C", F.lit(1000))
df2 = (
df1
.withColumn("D", F.col("C") - F.col("B"))
.withColumn("C",
F.when(F.lag("C").over(w).isNotNull(),
F.lag("D").over(w) - F.lag("C").over(w))
.otherwise(F.col("C")))
.withColumn("D", F.col("C") - F.col("B"))
)
数学上看,D1-C1,其中D1=C1-B1;因此D1-C1将变为C1-B1-C1=>-B1。在pyspark中,窗口函数有一个名为default的参数。这将简化您的问题。试试这个:
import pyspark.sql.functions as F
from pyspark.sql import Window
df = spark.createDataFrame([(1,100),(2,200),(3,300),(4,400),(5,500)],['a','b'])
w=Window.orderBy('a')
df_lag =df.withColumn('c',F.lag((F.col('b')*-1),default=1000).over(w))
df_final = df_lag.withColumn('d',F.col('c')-F.col('b'))
结果:
df_final.show()
+---+---+----+----+
| a| b| c| d|
+---+---+----+----+
| 1|100|1000| 900|
| 2|200|-100|-300|
| 3|300|-200|-500|
| 4|400|-300|-700|
| 5|500|-400|-900|
+---+---+----+----+
如果运算不是减法,那么同样的逻辑也适用——用默认值填充C列——计算D,然后使用滞后计算C并重新计算D。