如何在Spark中通过组在滚动时间窗口内进行聚合

Question

我有一些数据要按某一列进行分组，然后根据分组中的滚动时间窗口聚合一系列字段。

以下是一些示例数据：

df = spark.createDataFrame([Row(date='2016-01-01', group_by='group1', get_avg=5, get_first=1),
Row(date='2016-01-10', group_by='group1', get_avg=5, get_first=2),
Row(date='2016-02-01', group_by='group2', get_avg=10, get_first=3),
Row(date='2016-02-28', group_by='group2', get_avg=20, get_first=3),
Row(date='2016-02-29', group_by='group2', get_avg=30, get_first=3),
Row(date='2016-04-02', group_by='group2', get_avg=8, get_first=4)])

我想按group_by分组，然后创建从最早日期开始并延长到30天的时间窗口，该组没有条目。在这30天结束后，下一个时间窗口将从上一个窗口中没有出现的下一行的日期开始。

然后我想聚合，例如得到get_avg的平均值和get_first的第一个结果。

所以这个例子的输出应该是：

group_by    first date of window    get_avg  get_first
group1      2016-01-01              5        1
group2      2016-02-01              20       3
group2      2016-04-02              8        4

编辑：很抱歉，我意识到我的问题没有正确说明。实际上，我想要一个在30天不活动后结束的窗口。我相应地修改了示例的group2部分。

Answer 1

修订答案：

你可以在这里使用一个简单的窗口函数技巧。一堆进口：

from pyspark.sql.functions import coalesce, col, datediff, lag, lit, sum as sum_
from pyspark.sql.window import Window

窗口定义：

w = Window.partitionBy("group_by").orderBy("date")

铸造date至DateType:

df_ = df.withColumn("date", col("date").cast("date"))

定义以下表达式：

# Difference from the previous record or 0 if this is the first one
diff = coalesce(datediff("date", lag("date", 1).over(w)), lit(0))
# 0 if diff <= 30, 1 otherwise
indicator = (diff > 30).cast("integer")
# Cumulative sum of indicators over the window
subgroup = sum_(indicator).over(w).alias("subgroup")

将subgroup表达式添加到表中：

df_.select("*", subgroup).groupBy("group_by", "subgroup").avg("get_avg")

+--------+--------+------------+
|group_by|subgroup|avg(get_avg)|
+--------+--------+------------+
|  group1|       0|         5.0|
|  group2|       0|        20.0|
|  group2|       1|         8.0|
+--------+--------+------------+

first对聚合没有意义，但若列是单调递增的，则可以使用min。否则，您还必须使用窗口函数。

使用Spark 2.1进行测试。与早期Spark版本一起使用时，可能需要子查询和Window实例。

原始答案(与指定范围无关)

由于Spark 2.0，您应该能够使用window函数：

在给定时间戳指定列的情况下，将行分组为一个或多个时间窗口。窗口开始是包容性的，但窗口结束是排他性的，例如12:05将在窗口[12:05，12:10)中，但不在[12:00，12:05)中。

from pyspark.sql.functions import window
df.groupBy(window("date", windowDuration="30 days")).count()

但你可以从结果中看到，

+---------------------------------------------+-----+
|window                                       |count|
+---------------------------------------------+-----+
|[2016-01-30 01:00:00.0,2016-02-29 01:00:00.0]|1    |
|[2015-12-31 01:00:00.0,2016-01-30 01:00:00.0]|2    |
|[2016-03-30 02:00:00.0,2016-04-29 02:00:00.0]|1    |
+---------------------------------------------+-----+

当涉及到时区时，你必须小心一点。