假设我有以下数据集:
a | b
1 | 0.4
1 | 0.8
1 | 0.5
2 | 0.4
2 | 0.1
我想添加一个称为"标签"的新列,其中为 a 中的每组值局部确定值。 b 的最高值 A 标记为1,所有其他标签都标记为0。
输出看起来像这样:
a | b | label
1 | 0.4 | 0
1 | 0.8 | 1
1 | 0.5 | 0
2 | 0.4 | 1
2 | 0.1 | 0
如何使用Pyspark有效地进行此操作?
您可以使用窗口函数进行操作。首先,您需要几个进口:
from pyspark.sql.functions import desc, row_number, when
from pyspark.sql.window import Window
和窗口定义:
w = Window().partitionBy("a").orderBy(desc("b"))
最后您使用这些:
df.withColumn("label", when(row_number().over(w) == 1, 1).otherwise(0))
例如数据:
df = sc.parallelize([
(1, 0.4), (1, 0.8), (1, 0.5), (2, 0.4), (2, 0.1)
]).toDF(["a", "b"])
结果是:
+---+---+-----+
| a| b|label|
+---+---+-----+
| 1|0.8| 1|
| 1|0.5| 0|
| 1|0.4| 0|
| 2|0.4| 1|
| 2|0.1| 0|
+---+---+-----+