PySpark-添加一个按用户排名的新列

Question

我有这个PySpark DataFrame

df = pd.DataFrame(np.array([
    ["[e-mail]",2,3], ["[e-mail]",5,5],
    ["[e-mail]",8,2], ["[e-mail]",9,3]
]), columns=['user','movie','rating'])
sparkdf = sqlContext.createDataFrame(df, samplingRatio=0.1)

         user movie rating
[e-mail]     2      3
[e-mail]     5      5
[e-mail]     8      2
[e-mail]     9      3

我需要添加一个具有按用户排名的新列

我想要这个输出

         user  movie rating  Rank
[e-mail]     2      3     1
[e-mail]     5      5     1
[e-mail]     8      2     2
[e-mail]     9      3     3

我该怎么做？

Answer 1

到目前为止，这里真的没有优雅的解决方案。如果必须的话，你可以试试这样的东西：

lookup = (sparkdf.select("user")
    .distinct()
    .orderBy("user")
    .rdd
    .zipWithIndex()
    .map(lambda x: x[0] + (x[1], ))
    .toDF(["user", "rank"]))
sparkdf.join(lookup, ["user"]).withColumn("rank", col("rank") + 1)

窗口函数的替代方案要简洁得多：

from pyspark.sql.functions import dense_rank
sparkdf.withColumn("rank", dense_rank().over(w))

但效率极低，在实践中应避免使用。